要約
対戦相手との直接対決のレースは、自動レースの分野において挑戦的かつ新たなトピックです。
私たちは、ガウス過程 (GP) 回帰を通じて対戦相手の行動を学習するデータ駆動型の追い越しプランナーである Predictive Spliner を提案します。これは、レーシング トラックの将来のセクションで実行可能な追い越し操作を計算するために活用されます。
光検出測距 (LiDAR) 情報を使用して対戦相手を認識する 1:10 スケールの自律レーシング プラットフォームで実験的に検証された予測スプライナーは、自身の最大 83.1% で対戦相手を追い越し、最先端 (SotA) アルゴリズムを上回ります。
以前の最もパフォーマンスの高い方法よりも平均 8.4% 高速です。
さらに、平均成功率は 84.5% であり、以前の最もパフォーマンスの高い方法よりも 47.6% 高くなります。
この手法は、商用オフザシェルフ (CotS) Intel i7-1165G7 で評価した場合、中央処理装置 (CPU) 負荷 22.79%、計算時間 8.4 ミリ秒という計算効率を維持しており、リアルタイム ロボットに適しています。
アプリケーション。
これらの結果は、自動レース車両のパフォーマンスと安全性を向上させる Predictive Spliner の可能性を浮き彫りにしています。
Predictive Spliner のコードは、https://github.com/ForzaETH/predictive-spliner で入手できます。
要約(オリジナル)
Head-to-head racing against opponents is a challenging and emerging topic in the domain of autonomous racing. We propose Predictive Spliner, a data-driven overtaking planner that learns the behavior of opponents through Gaussian Process (GP) regression, which is then leveraged to compute viable overtaking maneuvers in future sections of the racing track. Experimentally validated on a 1:10 scale autonomous racing platform using Light Detection and Ranging (LiDAR) information to perceive the opponent, Predictive Spliner outperforms State-of-the-Art (SotA) algorithms by overtaking opponents at up to 83.1% of its own speed, being on average 8.4% faster than the previous best-performing method. Additionally, it achieves an average success rate of 84.5%, which is 47.6% higher than the previous best-performing method. The method maintains computational efficiency with a Central Processing Unit (CPU) load of 22.79% and a computation time of 8.4 ms, evaluated on a Commercial off-the-Shelf (CotS) Intel i7-1165G7, making it suitable for real-time robotic applications. These results highlight the potential of Predictive Spliner to enhance the performance and safety of autonomous racing vehicles. The code for Predictive Spliner is available at: https://github.com/ForzaETH/predictive-spliner.
arxiv情報
著者 | Nicolas Baumann,Edoardo Ghignone,Cheng Hu,Benedict Hildisch,Tino Hämmerle,Alessandro Bettoni,Andrea Carron,Lei Xie,Michele Magno |
発行日 | 2024-10-07 09:33:31+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google