Multi-Sample Long Range Path Planning under Sensing Uncertainty for Off-Road Autonomous Driving

要約

私たちは、オフロード自動運転車の長距離動的再計画の問題に焦点を当てます。この問題では、ロボットがノイズの多いローカル観測を継続的に受信しながら、これまで観測されていなかった環境を通過する経路を計画します。
不確実性を感知して計画を立てるための効果的なアプローチは、確率論的な世界を決定論的な世界に変換し、この単純化の下で計画を立てる決定化です。
これにより、計画の問題は扱いやすくなりますが、現実の世界で計画されたパスに従うコストは、決定された世界とは異なる可能性があります。
これにより、決定された世界が楽観的に障害物を無視した場合には衝突が発生し、決定された世界がより多くの障害物を悲観的に想定した場合には不必要に長いルートが発生します。
私たちは、決定化による効率性の利点を達成しながら、潜在的な世界の不確実性に対して堅牢であることを目指しています。
DARPA RACER プログラムからの困難な長期計画問題の大規模な現実世界のデータセットに基づいて、動的再計画のアルゴリズムを評価します。
私たちの手法である Dynamic Replanning via Evaluating and Aggregating Multiple Samples (DREAMS) は、総合的な走査時間と衝突コストの点で、他の決定ベースのアプローチよりも優れています。
https://sites.google.com/cs.washington.edu/dreams/

要約(オリジナル)

We focus on the problem of long-range dynamic replanning for off-road autonomous vehicles, where a robot plans paths through a previously unobserved environment while continuously receiving noisy local observations. An effective approach for planning under sensing uncertainty is determinization, where one converts a stochastic world into a deterministic one and plans under this simplification. This makes the planning problem tractable, but the cost of following the planned path in the real world may be different than in the determinized world. This causes collisions if the determinized world optimistically ignores obstacles, or causes unnecessarily long routes if the determinized world pessimistically imagines more obstacles. We aim to be robust to uncertainty over potential worlds while still achieving the efficiency benefits of determinization. We evaluate algorithms for dynamic replanning on a large real-world dataset of challenging long-range planning problems from the DARPA RACER program. Our method, Dynamic Replanning via Evaluating and Aggregating Multiple Samples (DREAMS), outperforms other determinization-based approaches in terms of combined traversal time and collision cost. https://sites.google.com/cs.washington.edu/dreams/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google