論文の概要: Safe Navigation in Unstructured Environments by Minimizing Uncertainty
in Control and Perception
- arxiv url: http://arxiv.org/abs/2306.14601v1
- Date: Mon, 26 Jun 2023 11:24:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 13:55:48.797445
- Title: Safe Navigation in Unstructured Environments by Minimizing Uncertainty
in Control and Perception
- Title(参考訳): 制御・知覚の不確実性の最小化による非構造環境の安全ナビゲーション
- Authors: Junwon Seo, Jungwi Mun, and Taekyung Kim
- Abstract要約: 制御と知覚の不確実性は、非構造環境における自動運転車のナビゲーションに課題をもたらす。
本稿では,安全かつ信頼性の高いナビゲーションを実現するために,制御と認識の不確実性を最小化するフレームワークを提案する。
- 参考スコア(独自算出の注目度): 5.46262127926284
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty in control and perception poses challenges for autonomous vehicle
navigation in unstructured environments, leading to navigation failures and
potential vehicle damage. This paper introduces a framework that minimizes
control and perception uncertainty to ensure safe and reliable navigation. The
framework consists of two uncertainty-aware models: a learning-based vehicle
dynamics model and a self-supervised traversability estimation model. We train
a vehicle dynamics model that can quantify the epistemic uncertainty of the
model to perform active exploration, resulting in the efficient collection of
training data and effective avoidance of uncertain state-action spaces. In
addition, we employ meta-learning to train a traversability cost prediction
network. The model can be trained with driving data from a variety of types of
terrain, and it can online-adapt based on interaction experiences to reduce the
aleatoric uncertainty. Integrating the dynamics model and traversability cost
prediction model with a sampling-based model predictive controller allows for
optimizing trajectories that avoid uncertain terrains and state-action spaces.
Experimental results demonstrate that the proposed method reduces uncertainty
in prediction and improves stability in autonomous vehicle navigation in
unstructured environments.
- Abstract(参考訳): 制御と知覚の不確実性は、非構造環境における自動運転車のナビゲーションに困難をもたらし、ナビゲーション障害と潜在的な車両の損傷を引き起こす。
本稿では,安全かつ信頼性の高いナビゲーションを実現するために,制御と認識の不確実性を最小化するフレームワークを提案する。
このフレームワークは、学習に基づく車両動力学モデルと自己教師付きトラバーサビリティ推定モデルという2つの不確実性認識モデルで構成されている。
我々は,モデルの認識的不確かさを定量化し,アクティブな探索を行う車両動力学モデルを訓練し,効率的な訓練データの収集と不確定な状態動作空間の効果的な回避を実現する。
さらに,トラバーサビリティコスト予測ネットワークのトレーニングにメタラーニングを用いる。
このモデルは、さまざまな種類の地形からデータを駆動することで訓練することができ、相互作用経験に基づいてオンライン適応することで、アレラトリックな不確実性を低減することができる。
ダイナミクスモデルとトラバーサビリティコスト予測モデルをサンプリングベースのモデル予測コントローラに統合することで、不確定な地形や状態動作空間を避ける軌道を最適化することができる。
実験の結果,提案手法は予測の不確実性を低減し,非構造環境における自律走行の安定性を向上させる。
関連論文リスト
- Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳(メタデータ) (2023-12-12T06:21:30Z) - METAVerse: Meta-Learning Traversability Cost Map for Off-Road Navigation [5.036362492608702]
本稿では,地形変動を正確に予測するグローバルモデル学習用メタラーニングフレームワークMETAVerseを提案する。
トラバーサビリティ予測ネットワークをトレーニングし、疎いLiDAR点雲から高密度で連続的なコストマップを生成する。
近年の交流体験を生かして,ネットワークをローカル環境に迅速に適応させるために,オンライン適応を行う。
論文 参考訳(メタデータ) (2023-07-26T06:58:19Z) - Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally
Driving With Model Predictive Path Integral Control [4.23755398158039]
本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。
提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。
シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
論文 参考訳(メタデータ) (2023-05-01T06:09:49Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - Benchmark for Models Predicting Human Behavior in Gap Acceptance
Scenarios [4.801975818473341]
我々は、どんなモデルでも、どんなメトリクスでも、どんなシナリオでも、容易に評価できるフレームワークを開発します。
次に、このフレームワークを最先端の予測モデルに適用する。
論文 参考訳(メタデータ) (2022-11-10T09:59:38Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model
Predictive Control [49.60520501097199]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳(メタデータ) (2022-10-23T00:45:05Z) - Uncertainty-aware Perception Models for Off-road Autonomous Unmanned
Ground Vehicles [6.2574402913714575]
オフロード自律無人地上車両(UGV)は、遠隔地で重要な物資を供給するために軍用および商業用途のために開発されている。
現在のデータセットは、季節、場所、セマンティッククラス、および日時における多様性の欠如に対する、オフロード自律ナビゲーションのための知覚モデルのトレーニングに使用されています。
本研究では,複数のデータセットを組み合わせてセグメンテーションに基づく環境認識モデルを学習する方法について検討する。
我々は,不確実性を捉えるためにモデルをトレーニングすることで,モデルの性能を著しく向上させることができることを示した。
論文 参考訳(メタデータ) (2022-09-22T15:59:33Z) - ScaTE: A Scalable Framework for Self-Supervised Traversability
Estimation in Unstructured Environments [7.226357394861987]
本研究では,自己教師付きトラバーサビリティ学習のためのスケーラブルなフレームワークを提案する。
私たちは、車両が3Dポイントの雲から受ける受容的体験を予測するニューラルネットワークをトレーニングします。
シミュレーションと実世界から収集した各種車両の運転データから,本フレームワークは各種車両の自己監督的走行性を学ぶことができることを示す。
論文 参考訳(メタデータ) (2022-09-14T09:52:26Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳(メタデータ) (2022-04-28T07:37:21Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳(メタデータ) (2020-09-12T02:02:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。