Self-Supervised Traversability Learning with Online Prototype Adaptation for Off-Road Autonomous Driving

要約

オフロード環境で信頼性の高い安全な自律運転を実現するには、正確で効率的な地形横断性分析が必要です。
ただし、このタスクは、オフロードシナリオに合わせて調整された大規模なデータセットの不足、手動注釈の高コストと潜在的なエラー、モーション計画の厳しいリアルタイム要件、オンボードユニットの限られた計算能力など、いくつかの課題に直面しています。
これらの課題に対処するために、このペーパーでは、自己教師の学習を活用し、手動注釈の必要性を排除する新しい通過性学習方法を提案します。
初めて、鳥類目のビュー（BEV）表現が入力として使用され、計算の負担を軽減し、下流のモーション計画への適応性を改善します。
車両の操作中、提案された方法は、移動した領域のオンライン分析を実施し、プロトタイプを動的に更新して、現在の環境の横断性を適応的に評価し、動的シーンの変更を効果的に処理します。
パブリックデータセットと独自のデータセットの両方で最先端のベンチマークに対してアプローチを評価し、多様な季節と地理的場所をカバーしています。
実験結果は、私たちの方法が最近のアプローチを大幅に上回ることを示しています。
さらに、実際の車両実験は、この方法が10 Hzで動作し、リアルタイムの要件を満たしていることを示していますが、5.5 kmの自律運転実験は、生成された通過性コストマップの互換性と下流のモーション計画をさらに検証します。

要約(オリジナル)

Achieving reliable and safe autonomous driving in off-road environments requires accurate and efficient terrain traversability analysis. However, this task faces several challenges, including the scarcity of large-scale datasets tailored for off-road scenarios, the high cost and potential errors of manual annotation, the stringent real-time requirements of motion planning, and the limited computational power of onboard units. To address these challenges, this paper proposes a novel traversability learning method that leverages self-supervised learning, eliminating the need for manual annotation. For the first time, a Birds-Eye View (BEV) representation is used as input, reducing computational burden and improving adaptability to downstream motion planning. During vehicle operation, the proposed method conducts online analysis of traversed regions and dynamically updates prototypes to adaptively assess the traversability of the current environment, effectively handling dynamic scene changes. We evaluate our approach against state-of-the-art benchmarks on both public datasets and our own dataset, covering diverse seasons and geographical locations. Experimental results demonstrate that our method significantly outperforms recent approaches. Additionally, real-world vehicle experiments show that our method operates at 10 Hz, meeting real-time requirements, while a 5.5 km autonomous driving experiment further validates the generated traversability cost maps compatibility with downstream motion planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google