An Attentional Recurrent Neural Network for Occlusion-Aware Proactive Anomaly Detection in Field Robot Navigation

要約

農業分野のような非構造化環境での移動ロボットの使用は、ますます一般的になりつつあります。
したがって、このようなフィールドロボットが故障を積極的に特定して回避する能力は、効率を確保し損傷を回避するために非常に重要です。
ただし、雑然としたフィールド環境では、さまざまなノイズ源 (センサーの遮蔽など) が発生し、事前の異常検出が困難になります。
既存のアプローチは、通常、オクルージョンを明示的にモデル化せず、現在の感覚入力のみを利用するため、センサー オクルージョン シナリオではパフォーマンスが低下する可能性があります。
この研究では、現在の感覚入力と計画された制御アクションをロボットの以前の状態の潜在的な表現と融合する、プロアクティブな異常検出のための注意ベースのリカレント ニューラル ネットワーク アーキテクチャを紹介します。
ロボットの以前の状態の潜在表現の使用を調整するために使用される、明示的に学習されたセンサー オクルージョン モデルを使用してモデルを強化します。
私たちの方法は、異常検出パフォーマンスの向上を示し、特にすべてのセンサーが一時的に遮断されている場合に、モバイルフィールドロボットがセンサー遮断期間中のナビゲーション障害に関する誤検知の予測に対する回復力の向上を示すことができます。
私たちのコードは https://github.com/andreschreiber/roar で入手できます。

要約(オリジナル)

The use of mobile robots in unstructured environments like the agricultural field is becoming increasingly common. The ability for such field robots to proactively identify and avoid failures is thus crucial for ensuring efficiency and avoiding damage. However, the cluttered field environment introduces various sources of noise (such as sensor occlusions) that make proactive anomaly detection difficult. Existing approaches can show poor performance in sensor occlusion scenarios as they typically do not explicitly model occlusions and only leverage current sensory inputs. In this work, we present an attention-based recurrent neural network architecture for proactive anomaly detection that fuses current sensory inputs and planned control actions with a latent representation of prior robot state. We enhance our model with an explicitly-learned model of sensor occlusion that is used to modulate the use of our latent representation of prior robot state. Our method shows improved anomaly detection performance and enables mobile field robots to display increased resilience to predicting false positives regarding navigation failure during periods of sensor occlusion, particularly in cases where all sensors are briefly occluded. Our code is available at: https://github.com/andreschreiber/roar

arxiv情報

提供元, 利用サービス

arxiv.jp, Google