METAVerse: Meta-Learning Traversability Cost Map for Off-Road Navigation

要約

オフロード条件での自律ナビゲーションには、地形の通過可能性を正確に推定する必要があります。
ただし、構造化されていない環境での通過可能性の推定は、車両と地形の相互作用に影響を与える多数の要因の変動により、高い不確実性を伴います。
したがって、さまざまな環境での通過可能性を正確に予測できる一般化可能なモデルを取得することは困難です。
この論文では、多様な環境にわたる地形の通過性を正確かつ確実に予測するグローバル モデルを学習するためのメタ学習フレームワークである METAVerse について説明します。
私たちは、自己監視型の方法で車両と地形の相互作用フィードバックを活用して、まばらな LiDAR 点群から高密度で連続値のコスト マップを生成するように、通過可能性予測ネットワークをトレーニングします。
メタ学習を利用して、複数の環境から収集された運転データを使用してグローバル モデルをトレーニングし、推定の不確実性を効果的に最小限に抑えます。
導入中、オンライン適応が実行され、最近の対話エクスペリエンスを活用してネットワークをローカル環境に迅速に適応させます。
包括的な評価を行うために、さまざまな地形から走行データを収集し、この方法で不確実性を最小限に抑えるグローバル モデルを取得できることを実証します。
さらに、モデルをモデル予測コントローラーと統合することにより、不確実性が低減され、構造化されていない未知の地形でも安全で安定したナビゲーションが可能になることを実証しました。

要約(オリジナル)

Autonomous navigation in off-road conditions requires an accurate estimation of terrain traversability. However, traversability estimation in unstructured environments is subject to high uncertainty due to the variability of numerous factors that influence vehicle-terrain interaction. Consequently, it is challenging to obtain a generalizable model that can accurately predict traversability in a variety of environments. This paper presents METAVerse, a meta-learning framework for learning a global model that accurately and reliably predicts terrain traversability across diverse environments. We train the traversability prediction network to generate a dense and continuous-valued cost map from a sparse LiDAR point cloud, leveraging vehicle-terrain interaction feedback in a self-supervised manner. Meta-learning is utilized to train a global model with driving data collected from multiple environments, effectively minimizing estimation uncertainty. During deployment, online adaptation is performed to rapidly adapt the network to the local environment by exploiting recent interaction experiences. To conduct a comprehensive evaluation, we collect driving data from various terrains and demonstrate that our method can obtain a global model that minimizes uncertainty. Moreover, by integrating our model with a model predictive controller, we demonstrate that the reduced uncertainty results in safe and stable navigation in unstructured and unknown terrains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google