Forskare vid Institute for Robotics and Intelligent Machines (IRIM) från Georgia Institute of Technology har nyligen föreslagit en ny ram för aggressiv körning med endast en monokulär kamera, IMU -sensorer och hjulhastighetssensorer. Deras tillvägagångssätt, presenterad i ett papper som för publicerats på arXiv, kombinerar djup inlärningsbaserad vägdetektering, partikelfilter och modellprediktiv kontroll (MPC).

"Att förstå de yttersta fallen av autonom körning blir väldigt viktigt, "Paul Drews, en av forskarna som genomförde studien, berättade TechXplore. "Vi valde aggressiv körning, eftersom detta är en bra proxy för att undvika kollisioner eller begränsning som krävs av autonoma fordon. "

Uttrycket 'aggressiv körning' avser fall där ett markfordon kör nära hastighetsbegränsningarna för hantering och ofta med höga sidoflåtvinklar, som krävs vid rallytävlingar. I deras tidigare arbete, forskarna undersökte aggressiv körning med hjälp av högkvalitativ GPS för global positionsuppskattning. Detta tillvägagångssätt har flera begränsningar, till exempel, det kräver dyra sensorer och utesluter GPS-nekade områden.

Forskarna har tidigare uppnått lovande resultat med en visionbaserad (icke-GPS-baserad) körlösning, baserat på att regressa en lokal kostnadskarta från monokulära kamerabilder och använda denna information för MPC-baserad kontroll. Dock, att behandla varje ingångsram separat ledde till avgörande inlärningsutmaningar på grund av det begränsade synfältet och den låga utsiktspunkten för kameran monterad på ett markfordon, vilket gjorde det svårt att generera kostnadskartor som var effektiva vid hög hastighet.

"Vårt främsta mål för detta arbete är att förstå hur vision kan användas som den primära sensorn för aggressiv körning, "Sa Drews." Detta ger intressanta utmaningar eftersom den visuella bearbetningen måste uppfylla strikta tidskrav. Detta gör att vi kan utforska algoritmer som är tätt kopplade mellan uppfattning och kontroll. "

I denna nya studie, forskarna tog upp begränsningarna i deras tidigare arbete, introducerar ett alternativt tillvägagångssätt för autonom höghastighetskörning där en lokal kostnadskartgenerator i form av en videobaserad modell för djupt neurala nätverk (dvs LSTM) används som mätprocess för en partikelfilterstatestimator.

Väsentligen, partikelfiltret använder denna dynamiska observationsmodell för att lokalisera i en schematisk karta och MPC används för att köra aggressivt baserat på denna tillståndsuppskattning. Denna aspekt av ramverket gjorde det möjligt för dem att få en global positionsuppskattning mot en schematisk karta utan att använda GPS -teknik, samtidigt som man förbättrar noggrannheten i kostnadskartsprognoser.

"Vi tar ett direkt tillvägagångssätt för autonom racing genom att lära oss mellankostnadskartan direkt från monokulära bilder, "Drews förklaras." Denna mellanrepresentation kan sedan användas direkt av modellprediktiv kontroll, eller kan användas av ett partikelfilter för att närma sig GPS -tillståndsbaserad aggressiv prestanda. "

Drews och hans kollegor utvärderade deras ramverk med hjälp av testbilen 1:5 på AutoRally, en öppen källkod plattform från aggressiv autonom körning. Med deras tillvägagångssätt, de fann att fordonet kunde fungera på ett tillförlitligt sätt vid friktionsgränserna på en komplex grusväg, når hastigheter över 27 mph (12 m/s).

"Jag tror att vi har visat två saker i den här studien, "Sa Drews." Först, att genom att direkt regressera en kostnadskarta från bilder, vi kan både använda den direkt och använda den för lokalisering för att möjliggöra aggressiv körning vid gränserna för hantering. Andra, att tidsinformation är mycket viktig i ett svårt körningsscenario som detta. "

Studien utförd av Drew och hans kollegor visar fördelarna med att kombinera MPC med statlig uppskattning och inlärd uppfattning. I framtiden, deras ramverk kan bana väg för mer robust och kostnadseffektiv aggressiv autonom körning på komplexa spår.

"Vi skulle nu vilja ytterligare förbättra denna metod med inlärd uppmärksamhet och utvidga den till hinder och okända miljöer, "Sa Drews.

© 2018 Science X Network