Uncertainty-aware Perception Models for Off-road Autonomous Unmanned Ground Vehicles

要約

オフロードの自律型無人地上車両 (UGV) は、遠隔地に重要な物資を届け、マッピングと監視を支援し、競合する環境で戦闘員を支援するために、軍事および商業用に開発されています。
オフロード環境の複雑さと、地形、照明条件、日周および季節変化の変動性により、環境を認識するために使用されるモデルは、多くの入力変動性を処理する必要があります。
オフロード自律ナビゲーションの知覚モデルをトレーニングするために使用される現在のデータセットは、季節、場所、セマンティック クラス、および時刻の多様性に欠けています。
単一のデータセットでトレーニングされたモデルは、入力分布のドリフトにより、他のオフロード ナビゲーション データセットや新しい場所に一般化されない可能性があるという仮説をテストします。
さらに、複数のデータセットを組み合わせてセマンティック セグメンテーション ベースの環境認識モデルをトレーニングする方法を調査し、モデルをトレーニングして不確実性を捉えると、モデルのパフォーマンスが大幅に向上する可能性があることを示します。
不確実性定量化のための Masksembles アプローチをセマンティック セグメンテーション タスクに拡張し、それをモンテカルロ ドロップアウトおよび標準ベースラインと比較します。
最後に、新しいテスト環境で UGV プラットフォームから収集されたデータに対してアプローチをテストします。
不確実性の定量化を使用して開発された知覚モデルを UGV に展開して、オンラインの知覚とナビゲーション タスクをサポートできることを示します。

要約(オリジナル)

Off-road autonomous unmanned ground vehicles (UGVs) are being developed for military and commercial use to deliver crucial supplies in remote locations, help with mapping and surveillance, and to assist war-fighters in contested environments. Due to complexity of the off-road environments and variability in terrain, lighting conditions, diurnal and seasonal changes, the models used to perceive the environment must handle a lot of input variability. Current datasets used to train perception models for off-road autonomous navigation lack of diversity in seasons, locations, semantic classes, as well as time of day. We test the hypothesis that model trained on a single dataset may not generalize to other off-road navigation datasets and new locations due to the input distribution drift. Additionally, we investigate how to combine multiple datasets to train a semantic segmentation-based environment perception model and we show that training the model to capture uncertainty could improve the model performance by a significant margin. We extend the Masksembles approach for uncertainty quantification to the semantic segmentation task and compare it with Monte Carlo Dropout and standard baselines. Finally, we test the approach against data collected from a UGV platform in a new testing environment. We show that the developed perception model with uncertainty quantification can be feasibly deployed on an UGV to support online perception and navigation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google