ScaTE: A Scalable Framework for Self-Supervised Traversability Estimation in Unstructured Environments

要約

構造化されていない環境で自動運転車を安全かつ成功裏にナビゲートするには、車両の運転能力に基づいて地形の通過可能性を変える必要があります。
実際の運転経験を自己監視型の方法で利用して、車両固有の通過可能性を学習できます。
ただし、自己監視型の通過可能性を学習するための既存の方法は、さまざまな車両の通過可能性を学習するための拡張性が高くありません。
この作業では、人間の監督なしで車両と地形の相互作用から直接通過可能性を学習できる、自己監視型通過可能性を学習するためのスケーラブルなフレームワークを紹介します。
3D 点群から車両が受ける固有受容体験を予測するニューラル ネットワークをトレーニングします。
新しい PU 学習方法を使用して、ネットワークは推定が過信する可能性がある通過不可能な領域を同時に識別します。
シミュレーションと実世界から収集されたさまざまな車両の運転データを使用して、私たちのフレームワークがさまざまな車両の自己教師付き通過可能性を学習できることを示します。
私たちのフレームワークをモデル予測コントローラーと統合することにより、推定された通過可能性が、車両の運転特性に基づいた明確な操縦を可能にする効果的なナビゲーションになることを実証します。
さらに、実験結果は、通過不可能な領域を識別して回避する方法の能力を検証します。

要約(オリジナル)

For the safe and successful navigation of autonomous vehicles in unstructured environments, the traversability of terrain should vary based on the driving capabilities of the vehicles. Actual driving experience can be utilized in a self-supervised fashion to learn vehicle-specific traversability. However, existing methods for learning self-supervised traversability are not highly scalable for learning the traversability of various vehicles. In this work, we introduce a scalable framework for learning self-supervised traversability, which can learn the traversability directly from vehicle-terrain interaction without any human supervision. We train a neural network that predicts the proprioceptive experience that a vehicle would undergo from 3D point clouds. Using a novel PU learning method, the network simultaneously identifies non-traversable regions where estimations can be overconfident. With driving data of various vehicles gathered from simulation and the real world, we show that our framework is capable of learning the self-supervised traversability of various vehicles. By integrating our framework with a model predictive controller, we demonstrate that estimated traversability results in effective navigation that enables distinct maneuvers based on the driving characteristics of the vehicles. In addition, experimental results validate the ability of our method to identify and avoid non-traversable regions.

arxiv情報

著者 Junwon Seo,Taekyung Kim,Kiho Kwak,Jihong Min,Inwook Shim
発行日 2023-02-22 06:46:43+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.RO パーマリンク