Proprioception Is All You Need: Terrain Classification for Boreal Forests

要約

フィールドロボット工学における最近の研究では、さまざまな種類の地形に対する回復力の重要性が強調されています。
特に北方林には、オフロードでの自律ナビゲーションを考慮する必要がある、移動を妨げる地形が数多くあります。
また、北方林は地球上で最大の陸上バイオームの 1 つであるため、自動運転車の普及がますます進むと予想される地域です。
この論文では、固有受容ベースの地形分類 (TC) 用の公的に利用可能なデータセットである BorealTC を紹介することで、この問題に対処します。
Husky A200 で記録されたデータセットには、典型的な北方森林地形、特に雪、氷、シルト質ロームに焦点を当てた、116 分の慣性測定ユニット (IMU)、モーター電流、ホイール走行距離データが含まれています。
私たちのデータセットを最先端の別のデータセットと組み合わせて、畳み込みニューラル ネットワーク (CNN) と新しい状態空間モデル (SSM) ベースの Mamba アーキテクチャの両方を TC タスクで評価します。
興味深いことに、CNN は個別のデータセットごとに Mamba よりも優れたパフォーマンスを示しますが、両方の組み合わせでトレーニングすると、Mamba の方がより高い精度を達成できることがわかりました。
さらに、データ量が増加しても Mamba の学習能力が CNN よりも優れていることを示します。
2 つの TC データセットを組み合わせると、地形の特性を使用して解釈できる潜在空間が生成されることを示します。
データセットを結合することが分類に与える影響についても説明します。
私たちのソース コードとデータセットはオンラインで公開されています: https://github.com/norlab-ulaval/BorealTC。

要約(オリジナル)

Recent works in field robotics highlighted the importance of resiliency against different types of terrains. Boreal forests, in particular, are home to many mobility-impeding terrains that should be considered for off-road autonomous navigation. Also, being one of the largest land biomes on Earth, boreal forests are an area where autonomous vehicles are expected to become increasingly common. In this paper, we address this issue by introducing BorealTC, a publicly available dataset for proprioceptive-based terrain classification (TC). Recorded with a Husky A200, our dataset contains 116 min of Inertial Measurement Unit (IMU), motor current, and wheel odometry data, focusing on typical boreal forest terrains, notably snow, ice, and silty loam. Combining our dataset with another dataset from the state-of-the-art, we evaluate both a Convolutional Neural Network (CNN) and the novel state space model (SSM)-based Mamba architecture on a TC task. Interestingly, we show that while CNN outperforms Mamba on each separate dataset, Mamba achieves greater accuracy when trained on a combination of both. In addition, we demonstrate that Mamba’s learning capacity is greater than a CNN for increasing amounts of data. We show that the combination of two TC datasets yields a latent space that can be interpreted with the properties of the terrains. We also discuss the implications of merging datasets on classification. Our source code and dataset are publicly available online: https://github.com/norlab-ulaval/BorealTC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google