Veículo AutoRally navegando em uma lombada na pista em alta velocidade durante o teste. Crédito:Drews et al.
Pesquisadores do Instituto de Robótica e Máquinas Inteligentes (IRIM) do Instituto de Tecnologia da Geórgia propuseram recentemente uma nova estrutura para direção agressiva usando apenas uma câmera monocular, Sensores IMU e sensores de velocidade da roda. A abordagem deles, apresentado em um artigo pré-publicado no arXiv, combina detecção de estradas baseada em aprendizagem profunda, filtros de partículas e controle preditivo de modelo (MPC).
"Compreender os casos extremos da direção autônoma está se tornando muito importante, "Paul Drews, um dos pesquisadores que realizou o estudo, disse TechXplore. "Escolhemos uma direção agressiva, pois este é um bom proxy para evitar colisões ou mitigação exigida por veículos autônomos. "
O termo 'direção agressiva' refere-se a casos em que um veículo terrestre opera perto dos limites de velocidade de manuseio e muitas vezes com ângulos de derrapagem elevados, conforme exigido nas corridas de rally. Em seu trabalho anterior, os pesquisadores investigaram a direção agressiva usando GPS de alta qualidade para estimativa de posição global. Essa abordagem tem várias limitações, por exemplo, requer sensores caros e exclui áreas proibidas por GPS.
Os pesquisadores alcançaram resultados promissores anteriormente com uma solução de direção baseada em visão (não baseada em GPS), com base na regressão de um mapa de custo local de imagens de câmeras monoculares e usando essas informações para controle baseado em MPC. Contudo, tratar cada quadro de entrada separadamente levou a desafios de aprendizagem cruciais devido ao campo de visão limitado e baixo ponto de vista da câmera montada em um veículo terrestre, o que dificultou a geração de mapas de custos eficazes em alta velocidade.
Diagrama do sistema. Crédito:Drews et al.
"Nosso principal objetivo para este trabalho é entender como a visão pode ser usada como o principal sensor para direção agressiva, "Drews disse." Isso oferece desafios interessantes porque o processamento visual deve atender a rígidos requisitos de tempo. Isso nos permite explorar algoritmos que estão fortemente acoplados entre percepção e controle. "
Neste novo estudo, os pesquisadores abordaram as limitações de seus trabalhos anteriores, introdução de uma abordagem alternativa para condução autônoma de alta velocidade em que um gerador de mapa de custo local na forma de um modelo de rede neural profunda baseado em vídeo (isto é, LSTM) é usado como o processo de medição para um estimador de estado de filtro de partículas.
Essencialmente, o filtro de partículas usa este modelo de observação dinâmico para localizar em um mapa esquemático e o MPC é usado para conduzir agressivamente com base nesta estimativa de estado. Este aspecto da estrutura permitiu-lhes obter uma estimativa da posição global contra um mapa esquemático sem usar a tecnologia GPS, ao mesmo tempo em que melhora a precisão das previsões do mapa de custos.
"Adotamos uma abordagem direta para a corrida autônoma, aprendendo o mapa de custo intermediário diretamente a partir de imagens monoculares, "Drews explicou." Essa representação intermediária pode então ser usada diretamente pelo controle preditivo do modelo, ou pode ser usado por um filtro de partículas para aproximar o desempenho agressivo baseado no estado do GPS. "
Drews e seus colegas avaliaram sua estrutura usando o veículo de teste 1:5 no AutoRally, uma plataforma de código aberto de direção autônoma agressiva. Com sua abordagem, eles descobriram que o veículo poderia operar de forma confiável nos limites de atrito em uma pista de terra complexa, atingindo velocidades acima de 27 mph (12 m / s).
"Acho que mostramos duas coisas neste estudo, "Drews disse." Primeiro, que regredindo diretamente um mapa de custos a partir de imagens, podemos usá-lo diretamente e para localização para permitir uma direção agressiva nos limites do manuseio. Segundo, que as informações temporais são muito importantes em um cenário de condução difícil como este. "
O estudo realizado por Drew e seus colegas demonstra as vantagens de combinar MPC com estimativa de estado e percepção aprendida. No futuro, sua estrutura pode abrir caminho para uma direção autônoma agressiva mais robusta e econômica em pistas complexas.
"Gostaríamos agora de aprimorar ainda mais este método com atenção aprendida e estendê-lo a obstáculos e ambientes desconhecidos, "Drews disse.
© 2018 Science X Network
