Trajectory Tracking via Multiscale Continuous Attractor Networks

要約

動物や昆虫は、文字通り地球を一周するほど、驚くほど堅牢で巧みなナビゲーション能力を発揮します。
これらの自然システムに触発されたロボット工学の主な進歩は、高度に理論的な計算神経科学モデルと、RatSLAM や NeuroSLAM のような手作りシステムの 2 つの分野で発生しました。
この研究では、以前の理論モデルのマルチスケール並列空間ニューラル ネットワークと、ロボットをターゲットとした現実世界のロバスト性を組み合わせた、マルチスケール連続アトラクター ネットワーク (MCAN) の形で、この 2 つの間のギャップを埋める研究を紹介します。
システムを使用して、広い速度範囲にわたる軌道追跡を可能にします。
手作業で調整されたパラメータに依存する以前のシステムの限界を克服するために、これらのネットワークの自動調整のための遺伝的アルゴリズムに基づくアプローチを提案し、ネットワークの使いやすさを大幅に向上させます。
困難なナビゲーション スケール範囲を提供するために、あらゆる道路ネットワークに適応する柔軟な都市スケールのナビゲーション シミュレーターをオープンソースにし、高スループットの実験を可能にします。
都市スケールのナビゲーション環境と Kitti を使用した広範な実験で、このシステムが単一スケールのアプローチでは失敗する広範囲の速度と環境スケールにわたって安定した推測航法が可能であることを示しました。

要約(オリジナル)

Animals and insects showcase remarkably robust and adept navigational abilities, up to literally circumnavigating the globe. Primary progress in robotics inspired by these natural systems has occurred in two areas: highly theoretical computational neuroscience models, and handcrafted systems like RatSLAM and NeuroSLAM. In this research, we present work bridging the gap between the two, in the form of Multiscale Continuous Attractor Networks (MCAN), that combine the multiscale parallel spatial neural networks of the previous theoretical models with the real-world robustness of the robot-targeted systems, to enable trajectory tracking over large velocity ranges. To overcome the limitations of the reliance of previous systems on hand-tuned parameters, we present a genetic algorithm-based approach for automated tuning of these networks, substantially improving their usability. To provide challenging navigational scale ranges, we open source a flexible city-scale navigation simulator that adapts to any street network, enabling high throughput experimentation. In extensive experiments using the city-scale navigation environment and Kitti, we show that the system is capable of stable dead reckoning over a wide range of velocities and environmental scales, where a single-scale approach fails.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google