SALON: Self-supervised Adaptive Learning for Off-road Navigation

要約

オフロード環境でのロボットの自律ナビゲーションには、その構造の欠如により多くの課題があり、多様なシナリオに対応する堅牢なヒューリスティックを手作りすることが困難になります。
手作業によるラベルや自己教師データを使用した学習方法は一般化可能性を向上させますが、多くの場合、膨大な量のデータが必要となり、ドメインのシフトに対して脆弱になる可能性があります。
新しい環境での一般化を改善するために、最近の研究では、オンラインでの自身の経験から学習できる自律システムを開発するための適応と自己監視が組み込まれています。
しかし、現在の作業は、多くの場合、地形タイプごとの人間による数分間の遠隔操作データなど、重要な事前データに依存しているため、より多くの環境やロボットを使用して拡張するのは困難です。
これらの制限に対処するために、最小限の人的入力で通過可能性の推定値を迅速に適応させるための知覚アクション フレームワークである SALON を提案します。
SALON は、流通地域外を避けながらオンラインで経験から迅速に学習し、適応的でリスクを意識したコストとスピードのマップを作成します。
収集した経験から数秒以内に、私たちの結果は、さまざまなオフロード地形のキロメートル規模のコースにわたって、100 ～ 1000 倍のデータでトレーニングされた方法と同等のナビゲーション パフォーマンスを実証しました。
さらに、異なる環境における大幅に異なるロボットで有望な結果が得られることを示します。
私たちのコードは https://theairlab.org/SALON で入手できます。

要約(オリジナル)

Autonomous robot navigation in off-road environments presents a number of challenges due to its lack of structure, making it difficult to handcraft robust heuristics for diverse scenarios. While learned methods using hand labels or self-supervised data improve generalizability, they often require a tremendous amount of data and can be vulnerable to domain shifts. To improve generalization in novel environments, recent works have incorporated adaptation and self-supervision to develop autonomous systems that can learn from their own experiences online. However, current works often rely on significant prior data, for example minutes of human teleoperation data for each terrain type, which is difficult to scale with more environments and robots. To address these limitations, we propose SALON, a perception-action framework for fast adaptation of traversability estimates with minimal human input. SALON rapidly learns online from experience while avoiding out of distribution terrains to produce adaptive and risk-aware cost and speed maps. Within seconds of collected experience, our results demonstrate comparable navigation performance over kilometer-scale courses in diverse off-road terrain as methods trained on 100-1000x more data. We additionally show promising results on significantly different robots in different environments. Our code is available at https://theairlab.org/SALON.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google