En ny ramme for visionsbaseret aggressiv kørsel

Forskere ved Institute for Robotics and Intelligent Machines (IRIM) fra Georgia Institute of Technology har for nylig foreslået en ny ramme for aggressiv kørsel, der kun bruger et monokulært kamera, IMU-sensorer og hjulhastighedssensorer. Deres tilgang, præsenteret i et papir, der er forududgivet på arXiv, kombinerer dyb læringsbaseret vejdetektion, partikelfiltre og model prædiktiv kontrol (MPC).

"Det bliver meget vigtigt at forstå fordelene ved autonom kørsel, "Paul Drews, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "Vi valgte aggressiv kørsel, da dette er en god proxy for at undgå kollisioner eller afhjælpning påkrævet af autonome køretøjer."

Udtrykket "aggressiv kørsel" refererer til tilfælde, hvor et jordkøretøj kører tæt på hastighedsgrænserne for håndtering og ofte med høje sideglidningsvinkler, som krævet i rallyløb. I deres tidligere arbejde, forskerne undersøgte aggressiv kørsel ved hjælp af GPS af høj kvalitet til global positionsberegning. Denne tilgang har flere begrænsninger, for eksempel, det kræver dyre sensorer og udelukker GPS-afviste områder.

Forskerne har tidligere opnået lovende resultater med en visionsbaseret (ikke GPS-baseret) køreløsning, baseret på at regressere et lokalt omkostningskort fra monokulære kamerabilleder og bruge disse oplysninger til MPC-baseret kontrol. Imidlertid, at behandle hver inputramme separat førte til afgørende læringsudfordringer på grund af det begrænsede synsfelt og lave udsigtspunkt for kameraet monteret på et jordkøretøj, hvilket gjorde det vanskeligt at generere omkostningskort, der var effektive ved høj hastighed.

"Vores hovedmål for dette arbejde er at forstå, hvordan syn kan bruges som den primære sensor til aggressiv kørsel, " sagde Drews. "Dette giver interessante udfordringer, fordi den visuelle behandling skal opfylde strenge tidskrav. Dette giver os mulighed for at udforske algoritmer, der er tæt koblet mellem perception og kontrol."

I denne nye undersøgelse, forskerne adresserede begrænsningerne ved deres tidligere arbejde, introduktion af en alternativ tilgang til autonom højhastighedskørsel, hvor en lokal omkostningskortgenerator i form af en videobaseret dyb neural netværksmodel (dvs. LSTM) bruges som måleproces for en partikelfiltertilstandsestimator.

I det væsentlige, partikelfilteret bruger denne dynamiske observationsmodel til at lokalisere i et skematisk kort, og MPC bruges til at køre aggressivt baseret på dette tilstandsestimat. Dette aspekt af rammen gjorde det muligt for dem at opnå et globalt positionsestimat i forhold til et skematisk kort uden at bruge GPS-teknologi, samtidig med at nøjagtigheden af ​​omkostningskortforudsigelser forbedres.

"Vi tager en direkte tilgang til autonom racing ved at lære mellemomkostningskortet direkte fra monokulære billeder, Drews forklarede. "Denne mellemrepræsentation kan derefter bruges direkte af modelprædiktiv kontrol, eller kan bruges af et partikelfilter til at nærme sig GPS-tilstandsbaseret aggressiv ydeevne."

Drews og hans kolleger evaluerede deres rammer ved hjælp af 1:5 testkøretøjet på AutoRally, en open source platform fra aggressiv autonom kørsel. Med deres tilgang, de fandt ud af, at køretøjet kunne fungere pålideligt ved friktionsgrænserne på en kompleks jordbane, når hastigheder over 27 mph (12 m/s).

"Jeg synes, vi har vist to ting i denne undersøgelse, " sagde Drews. "Først, at ved direkte at regressere et costmap fra billeder, vi kan både bruge det direkte og bruge det til lokalisering for at muliggøre aggressiv kørsel på grænserne af håndtering. Sekund, at tidsmæssig information er meget vigtig i et vanskeligt kørescenarie som dette."

Undersøgelsen udført af Drew og hans kolleger viser fordelene ved at kombinere MPC med statsestimering og indlært opfattelse. I fremtiden, deres rammer kan bane vejen for mere robust og omkostningseffektiv aggressiv autonom kørsel på komplekse spor.

"Vi vil nu gerne forbedre denne metode yderligere med lært opmærksomhed og udvide den til forhindringer og ukendte miljøer, " sagde Drews.

© 2018 Science X Network