Safe Navigation in Unstructured Environments by Minimizing Uncertainty in Control and Perception

要約

制御と認識の不確実性は、構造化されていない環境での自動車両ナビゲーションに課題をもたらし、ナビゲーションの失敗や潜在的な車両損傷につながります。
この文書では、安全で信頼性の高いナビゲーションを確保するために、制御と知覚の不確実性を最小限に抑えるフレームワークを紹介します。
このフレームワークは、学習ベースの車両ダイナミクス モデルと自己教師ありの通過可能性推定モデルという 2 つの不確実性認識モデルで構成されています。
モデルの認識論的不確実性を定量化できる車両ダイナミクス モデルをトレーニングしてアクティブな探索を実行し、トレーニング データを効率的に収集し、不確実な状態行動空間を効果的に回避します。
さらに、メタ学習を使用して、通過可能性コスト予測ネットワークをトレーニングします。
このモデルは、さまざまな種類の地形からの走行データを使用してトレーニングでき、インタラクション エクスペリエンスに基づいてオンラインで適応して、偶然の不確実性を軽減できます。
ダイナミクス モデルと通過可能性コスト予測モデルをサンプリング ベースのモデル予測コントローラーと統合すると、不確実な地形や状態アクション空間を回避する軌道を最適化できます。
実験結果は、提案された方法が予測の不確実性を軽減し、非構造化環境における自律車両ナビゲーションの安定性を向上させることを示しています。

要約(オリジナル)

Uncertainty in control and perception poses challenges for autonomous vehicle navigation in unstructured environments, leading to navigation failures and potential vehicle damage. This paper introduces a framework that minimizes control and perception uncertainty to ensure safe and reliable navigation. The framework consists of two uncertainty-aware models: a learning-based vehicle dynamics model and a self-supervised traversability estimation model. We train a vehicle dynamics model that can quantify the epistemic uncertainty of the model to perform active exploration, resulting in the efficient collection of training data and effective avoidance of uncertain state-action spaces. In addition, we employ meta-learning to train a traversability cost prediction network. The model can be trained with driving data from a variety of types of terrain, and it can online-adapt based on interaction experiences to reduce the aleatoric uncertainty. Integrating the dynamics model and traversability cost prediction model with a sampling-based model predictive controller allows for optimizing trajectories that avoid uncertain terrains and state-action spaces. Experimental results demonstrate that the proposed method reduces uncertainty in prediction and improves stability in autonomous vehicle navigation in unstructured environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google