Enhancing State Estimator for Autonomous Racing : 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 リソース管理による課題に対処する、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。
潜在的な位置特定の失敗に対処するために、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追跡を継続できるようにする回復力のあるナビゲーション システムを紹介します。これにより、位置特定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。
さらに、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が重要です。
そこで、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。
シミュレーションと実際のテストにより、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、障害からの回復に成功し、効果的に事故を防止し、自動車の安全を確保します。

要約(オリジナル)

This paper introduces an approach that enhances the state estimator for high-speed autonomous race cars, addressing challenges from 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, we present a resilient navigation system which enables the race car to continue track-following by leveraging direct perception information in planning and execution, ensuring continuous performance despite localization disruptions. In addition, efficient computing is critical to avoid overload and system failure. Hence, 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. Simulation and real-world tests validate the system’s performance and resilience. The proposed approach successfully recovers from failures, effectively preventing accidents and ensuring safety of the car.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google