CoverNav: Cover Following Navigation Planning in Unstructured Outdoor Environment with Deep Reinforcement Learning

要約

オフロード環境での自律ナビゲーションは、ロボット工学の分野で広く研究されています。
しかし、自動運転車を外部の観察者から隠しておく必要がある秘密の状況でのナビゲーションは、依然として未開発の領域です。
この論文では、観察者がいるオフロード地形やジャングル環境において、最小限のコストで秘密軌道と誘導可能な軌道を識別するための、CoverNav と呼ばれる新しい深層強化学習 (DRL) ベースのアルゴリズムを提案します。
CoverNav は、事前に定義された目的地まで安全に移動しながら、避難所を探したり、避難したりする無人地上車両に焦点を当てています。
私たちが提案する DRL 手法は、3D 点群データ、ロボットの姿勢、および指示された目標情報から生成された標高マップを使用して、低コストの軌道を維持しながら最大の隠密性を実現する経路を区別するのに役立つローカル コスト マップを計算します。
CoverNav は、ロボット エージェントが報酬関数を使用して標高の低い地形を学習するのに役立ちますが、標高が高い場合には比例してペナルティを課します。
観察者が発見された場合、CoverNav を使用すると、ロボットは自然の障害物 (岩、家、障害のある車両、樹木など) を選択し、それらを背後に隠れる避難所として使用できます。
Unity シミュレーション環境を使用して CoverNav を評価し、別の DRL ベースのナビゲーション アルゴリズムによって生成された標高マップを入力すると、地形内で動的に実行可能な速度が保証されることを示します。
さらに、最大目標距離 12 メートルを達成する際の CoverNav の有効性と、遮蔽物がある場合とない場合のさまざまな標高シナリオでの成功率を評価します。
精度を損なうことなく、最先端 (SOTA) 手法に匹敵するパフォーマンスを観察しています。

要約(オリジナル)

Autonomous navigation in offroad environments has been extensively studied in the robotics field. However, navigation in covert situations where an autonomous vehicle needs to remain hidden from outside observers remains an underexplored area. In this paper, we propose a novel Deep Reinforcement Learning (DRL) based algorithm, called CoverNav, for identifying covert and navigable trajectories with minimal cost in offroad terrains and jungle environments in the presence of observers. CoverNav focuses on unmanned ground vehicles seeking shelters and taking covers while safely navigating to a predefined destination. Our proposed DRL method computes a local cost map that helps distinguish which path will grant the maximal covertness while maintaining a low cost trajectory using an elevation map generated from 3D point cloud data, the robot’s pose, and directed goal information. CoverNav helps robot agents to learn the low elevation terrain using a reward function while penalizing it proportionately when it experiences high elevation. If an observer is spotted, CoverNav enables the robot to select natural obstacles (e.g., rocks, houses, disabled vehicles, trees, etc.) and use them as shelters to hide behind. We evaluate CoverNav using the Unity simulation environment and show that it guarantees dynamically feasible velocities in the terrain when fed with an elevation map generated by another DRL based navigation algorithm. Additionally, we evaluate CoverNav’s effectiveness in achieving a maximum goal distance of 12 meters and its success rate in different elevation scenarios with and without cover objects. We observe competitive performance comparable to state of the art (SOTA) methods without compromising accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google