Vision-Based Uncertainty-Aware Motion Planning based on Probabilistic Semantic Segmentation

要約

ロボットを安全に動作させるためには、不確実な環境下でも衝突を回避できなければならない。不確実な環境下での運動計画のための既存のアプローチは、多くの場合、パラメトリックな障害物表現とガウス不確定性を仮定しているが、これは不正確である可能性がある。視覚認識は、より正確な環境表現を提供することができるが、安全な運動計画への使用は、ニューラルネットワークの固有の誤較正と、適切なデータセットを得ることの難しさによって制限される。これらの限界に対処するため、我々は、信頼性の高い確率的占有情報を確保するために、大量に増強されたデータセットで訓練された深い意味的セグメンテーションネットワークのアンサンブルを採用することを提案する。運動計画中の保守主義を避けるために、シナリオベースの経路計画アプローチにおいて確率的認識を直接採用する。追跡の不正確さにもかかわらず安全な動作を保証するために、速度スケジューリングスキームを経路に適用する。我々は、ディープアンサンブルと組み合わせた大規模なデータ増強と、提案するシナリオベースの計画手法の有効性を、最新の手法との比較において実証し、人間の手を障害物とした実験において我々のフレームワークを検証する。

要約(オリジナル)

For safe operation, a robot must be able to avoid collisions in uncertain environments. Existing approaches for motion planning under uncertainties often assume parametric obstacle representations and Gaussian uncertainty, which can be inaccurate. While visual perception can deliver a more accurate representation of the environment, its use for safe motion planning is limited by the inherent miscalibration of neural networks and the challenge of obtaining adequate datasets. To address these limitations, we propose to employ ensembles of deep semantic segmentation networks trained with massively augmented datasets to ensure reliable probabilistic occupancy information. To avoid conservatism during motion planning, we directly employ the probabilistic perception in a scenario-based path planning approach. A velocity scheduling scheme is applied to the path to ensure a safe motion despite tracking inaccuracies. We demonstrate the effectiveness of the massive data augmentation in combination with deep ensembles and the proposed scenario-based planning approach in comparisons to state-of-the-art methods and validate our framework in an experiment with a human hand as an obstacle.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL