Nov, 2023

EVORA: 深度证据遍历学习用于风险感知的越野自主驾驶

PDF
TL;DR通过学习地形性质直接获取数据，本研究以有效地量化离散牵引分布和牵引预测潜在特征的概率密度，利用证据深度学习参数化与网络输出的狄利克雷分布，并提出了一种新颖的风险感知和平方地球移动距离损失，通过模拟最坏情况下的牵引来处理不确定性，惩罚通过具有高认知不确定性的地形的轨迹，并在仿真中广泛验证以及在轮式机器人和四足机器人上进行比较，显示出改进的导航性能。
terrain navigationtractionuncertaintyrisk-aware plannernavigation performance
发现论文，激发创造
  • METAVerse: 元学习用于越野导航的遍历成本地图

    METAVerse 是一个元学习框架，通过利用多环境驾驶数据训练一个全局模型，从稀疏的 LiDAR 点云中生成稠密连续值的成本地图来准确可靠地预测不同环境下的地形可通行性，结合模型预测控制器，实现了在结构化和未知地形上安全稳定的导航。

    Jul, 2023

  • 通过学习速度分布图实现风险感知越野导航

    本文提出了一种基于机器人速度的可穿越性新表示方法，该方法可通过对数据的学习获得，可以轻松地与各种规划范例相结合，并且在成本图的形式下提供风险感知成本项。数值模拟表明，该风险感知规划算法导致平均到达目标的时间更快，并且 Planner 可以调节为稍慢但方差较低的行为。此外，该方法在一个高度真实的 Unity 环境中得到了展示，并表明其在导航成功率方面提供了 30％的改进。

    Mar, 2022

  • 基于模型预测路径积分控制的自主越野拉力赛驾驶学习地形感知运动学模型

    提出一种适用于自主驾驶的、适应于车辆周围复杂地形信息的、六自由度动态学模型，并设计出相应的安全稳定的模型预测控制器。仿真实验表明，相比基线模型，该模型 - 控制器组合表现出更好的高速行驶性能，具备较高的安全性和稳健性。

    May, 2023

  • URA*: 用于非公路环境的基于图像的空中到地面可行性估计的不确定性感知路径规划

    面向离线环境的自主导航，提出了一种基于航空图像的不确定性感知路径规划方法（URA*），利用集成的卷积神经网络模型从区域感兴趣的航空图像中进行像素级可行性估计，然后应用不确定性感知规划器计算路径，并使用重规划技术来实现在线机器人操作中的快速重规划。结果表明，该方法在初始路径的质量和可行性及重新规划路径的质量方面优于传统规划算法。

    Sep, 2023

  • 具条件上下文导航的基于学习的地形和机器人感知动力学模型

    在自主导航设置中，考虑到变化，我们开发了一种新颖的综合地形和机器人信息的前向动力学模型 TRADYN，它基于神经过程的元学习前向动力学模型，能够适应各种变化情况，并在实验中表现出更好的长时轨迹预测和导航计划性能。

    Jul, 2023

  • 通过控制和感知的不确定性最小化，在非结构化环境中进行安全导航

    该研究介绍了一种最小化控制和感知不确定性以确保安全可靠的自主车辆导航的框架，由两个不确定性感知模型组成：基于机器学习的车辆动力学模型和自我监督遍历估计模型。

    Jun, 2023

  • 自动驾驶的开创性 SE (2) 等变轨迹规划

    我们提出了一种轻量级的等变规划模型，它在生成所有车辆的多模态联合预测并选择一个模态作为自主计划时，结合了运动预测和轨迹规划。通过嵌入车辆位置并在潜在空间中沿着高级路线指导自主车辆，我们的方法提供了具有目标导向行为的等变规划，同时在保持等变性的同时不强制汽车始终沿着确切的路线行驶。我们在具有挑战性的 nuScenes 数据集上进行实验，结果表明，我们规划的轨迹在输入场景的旋转平移下稳定，验证了我们模型的等变性。尽管只使用了数据集的一小部分进行训练，但我们的方法在 3 秒内改善了 20.6％的 L2 距离，并超过了最先进的方法。

    Mar, 2024

  • 面向分布感知的自主驾驶安全目标预测和符合模型规划

    本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

    Dec, 2022

  • 自适应元学习用于 Rover - 地形动力学识别

    本文提出了一种基于元学习的方法，通过将贝叶斯回归算法（P-ALPaCA）与参数仿射的标称模型相结合，增强了探测器动力学的概率预测，并引入了一种正则化方法，以鼓励标称和学习特征的正交性，从而导出可解释的各种地形条件下的地形参数的概率估计。

    Sep, 2020

  • 基于人类认知和重量自适应的越野自主驾驶运动规划

    提出一种基于人类认知和成本评估的自适应运动规划器，以实现自动驾驶车辆在复杂地形和挑战性场景中的稳定高效行驶。通过构建多层地图描述不同的越野地形特征，并利用 CNN-LSTM 网络学习人类驾驶员在各种越野情景下规划的轨迹，设计了基于原始轨迹和成本权重选择的轨迹规划器，能生成与越野车辆动力学一致的高度自适应、稳定、高效的轨迹。在复杂地形和不同路况的沙漠越野环境中进行实验证明，提出的人类化运动规划器在不同越野条件下具有极好的适应性，实时操作、更大稳定性，并且在多样化和挑战性场景中具备更加人类化的规划能力。

    Apr, 2024