Enhancing State Estimator for Autonomous Race Car : Leveraging Multi-modal System and Managing Computing Resources

要約

この論文では、信頼性の低い測定、位置特定の失敗、およびコンピューティング リソース管理に関連する課題に対処する、高速自律レース カーの状態推定器を強化する革新的なアプローチを紹介します。
提案された堅牢な位置特定システムは、ベイジアンベースの確率的アプローチを利用してマルチモーダル測定を評価し、過酷なレース条件下でも正確で信頼性の高い位置特定のための信頼できるデータの使用を保証します。
激しいレース中に発生する可能性のある位置特定の失敗に対処するために、回復力のあるナビゲーション システムを紹介します。
このシステムにより、計画と実行において直接知覚情報を活用することでレースカーがトラックを追跡し続けることができ、ローカライゼーションの中断にもかかわらず継続的なパフォーマンスが保証されます。
過負荷やシステム障害を回避するには、効率的なコンピューティング リソース管理が重要です。
効率的な LiDAR ベースの状態推定手法を使用してコンピューティング リソースを最適化します。
CUDA プログラミングと GPU アクセラレーションを活用して、最近点検索と共分散計算を効率的に実行し、CPU ボトルネックを克服します。
現実世界のテストとシミュレーション テストにより、システムのパフォーマンスと回復力が検証されます。
提案されたアプローチは障害から正常に回復し、事故を効果的に防止し、レースカーの安全性を確保します。

要約(オリジナル)

This paper introduces an innovative approach to enhance the state estimator for high-speed autonomous race cars, addressing challenges related to unreliable measurements, localization failures, and computing resource management. The proposed robust localization system utilizes a Bayesian-based probabilistic approach to evaluate multimodal measurements, ensuring the use of credible data for accurate and reliable localization, even in harsh racing conditions. To tackle potential localization failures during intense racing, we present a resilient navigation system. This system enables the race car to continue track-following by leveraging direct perception information in planning and execution, ensuring continuous performance despite localization disruptions. Efficient computing resource management is critical to avoid overload and system failure. We optimize computing resources using an efficient LiDAR-based state estimation method. Leveraging CUDA programming and GPU acceleration, we perform nearest points search and covariance computation efficiently, overcoming CPU bottlenecks. Real-world and simulation tests validate the system’s performance and resilience. The proposed approach successfully recovers from failures, effectively preventing accidents and ensuring race car safety.

arxiv情報

著者 Daegyu Lee,Hyunwoo Nam,Chanhoe Ryu,Sungwon Nah,Seongwoo Moon,D. Hyunchul Shim
発行日 2023-08-14 14:31:00+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO パーマリンク