Robust Autonomous Vehicle Pursuit without Expert Steering Labels

要約

この研究では、車両追跡のための自車両の横方向および縦方向の運動制御の学習方法を提案します。
制御されている車両には事前に定義されたルートはなく、安全な距離を維持しながら目標車両を追跡するように反応的に適応します。
モデルをトレーニングするために、熟練ドライバーから記録されたステアリング ラベルに依存せず、オフライン ラベル生成ツールとして古典的なコントローラーを効果的に活用します。
さらに、予測制御値の誤差も考慮します。この誤差は、制御車両の追跡不能や壊滅的な衝突につながる可能性があります。
この目的を達成するために、ターゲット車両のさまざまなビューを処理できるネットワークをトレーニングできる効果的なデータ拡張アプローチを提案します。
追跡中、まず畳み込みニューラル ネットワークを使用して目標車両の位置を特定します。
ネットワークは、車の速度とともに単一の RGB 画像を取得し、自車に対するターゲット車両の姿勢を推定します。
次に、この情報は多層パーセプトロンに供給され、自車両の制御コマンド、つまりスロットルとステアリング角度が回帰されます。
私たちは、CARLA シミュレーターを使用して、さまざまな地形でアプローチを広範囲に検証します。
私たちの方法は、目に見えない軌道や高度なルート完了などのさまざまなシナリオに対するリアルタイムのパフォーマンスと堅牢性を実証します。
コードとマルチメディアを含むプロジェクト ページは、https://changyaozhou.github.io/Autonomous-Vehicle-Pursuit/ から一般にアクセスできます。

要約(オリジナル)

In this work, we present a learning method for lateral and longitudinal motion control of an ego-vehicle for vehicle pursuit. The car being controlled does not have a pre-defined route, rather it reactively adapts to follow a target vehicle while maintaining a safety distance. To train our model, we do not rely on steering labels recorded from an expert driver but effectively leverage a classical controller as an offline label generation tool. In addition, we account for the errors in the predicted control values, which can lead to a loss of tracking and catastrophic crashes of the controlled vehicle. To this end, we propose an effective data augmentation approach, which allows to train a network capable of handling different views of the target vehicle. During the pursuit, the target vehicle is firstly localized using a Convolutional Neural Network. The network takes a single RGB image along with cars’ velocities and estimates the target vehicle’s pose with respect to the ego-vehicle. This information is then fed to a Multi-Layer Perceptron, which regresses the control commands for the ego-vehicle, namely throttle and steering angle. We extensively validate our approach using the CARLA simulator on a wide range of terrains. Our method demonstrates real-time performance and robustness to different scenarios including unseen trajectories and high route completion. The project page containing code and multimedia can be publicly accessed here: https://changyaozhou.github.io/Autonomous-Vehicle-Pursuit/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google