Improving Deep Dynamics Models for Autonomous Vehicles with Multimodal Latent Mapping of Surfaces

要約

自動運転車の安全な展開は、環境の変化に効果的に対応する能力に依存しています。
これは、特に滑りやすい地形の場合、依然として困難な問題であるさまざまな表面での操縦を必要とする可能性があります.
この問題に対処するために、現在の位置に関する表面情報を格納する潜在変数ベクトルで調整することにより、表面認識ダイナミクス モデルを学習する新しいアプローチを提案します。
潜在マッパーは、対応する場所をトラバーサルするたびに複数のモダリティからの推論中にこれらの潜在変数を更新し、それらをマップに保存するようにトレーニングされます。
ダイナミクス モデルを失うことですべてをエンド ツー エンドでトレーニングすることにより、潜在マッパーに、後続のダイナミクス モデルに役立つ潜在マップの更新ルールを学習させます。
実際の小型電気自動車でアプローチを実装し、評価します。
結果は、潜在マップが更新され、この情報がないモデルと比較して、ダイナミクス モデルのより正確な予測を可能にすることを示しています。
さらに、このモデルを使用することで、さまざまな困難な路面での運転性能を向上できることを示します。

要約(オリジナル)

The safe deployment of autonomous vehicles relies on their ability to effectively react to environmental changes. This can require maneuvering on varying surfaces which is still a difficult problem, especially for slippery terrains. To address this issue we propose a new approach that learns a surface-aware dynamics model by conditioning it on a latent variable vector storing surface information about the current location. A latent mapper is trained to update these latent variables during inference from multiple modalities on every traversal of the corresponding locations and stores them in a map. By training everything end-to-end with the loss of the dynamics model, we enforce the latent mapper to learn an update rule for the latent map that is useful for the subsequent dynamics model. We implement and evaluate our approach on a real miniature electric car. The results show that the latent map is updated to allow more accurate predictions of the dynamics model compared to a model without this information. We further show that by using this model, the driving performance can be improved on varying and challenging surfaces.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google