I ricercatori dell'Istituto per la robotica e le macchine intelligenti (IRIM) del Georgia Institute of Technology hanno recentemente proposto una nuova struttura per la guida aggressiva utilizzando solo una telecamera monoculare, Sensori IMU e sensori di velocità delle ruote. Il loro approccio, presentato in un articolo pre-pubblicato su arXiv, combina il rilevamento della strada basato sull'apprendimento profondo, filtri antiparticolato e controllo predittivo del modello (MPC).

"Comprendere i casi limite della guida autonoma sta diventando molto importante, "Paolo Disegna, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "Abbiamo scelto una guida aggressiva, poiché questo è un buon proxy per evitare o mitigare le collisioni richieste dai veicoli autonomi".

Il termine "guida aggressiva" si riferisce ai casi in cui un veicolo terrestre opera vicino ai limiti di velocità di manovrabilità e spesso con angoli di derapata elevati, come richiesto nelle gare di rally. Nel loro lavoro precedente, i ricercatori hanno studiato la guida aggressiva utilizzando un GPS di alta qualità per la stima della posizione globale. Questo approccio ha diversi limiti, ad esempio, richiede sensori costosi ed esclude le aree negate dal GPS.

I ricercatori hanno precedentemente ottenuto risultati promettenti con una soluzione di guida basata sulla visione (non basata su GPS), basato sulla regressione di una mappa dei costi locali dalle immagini della telecamera monoculare e sull'utilizzo di queste informazioni per il controllo basato su MPC. Però, trattare separatamente ogni fotogramma di input ha portato a sfide di apprendimento cruciali a causa del campo visivo limitato e del basso punto di vista della telecamera montata su un veicolo a terra, il che rendeva difficile generare mappe dei costi efficaci ad alta velocità.

"Il nostro obiettivo principale per questo lavoro è capire come la visione può essere utilizzata come sensore principale per una guida aggressiva, " Ha detto Drews. "Questo offre sfide interessanti perché l'elaborazione visiva deve soddisfare severi requisiti di tempo. Questo ci consente di esplorare algoritmi che sono strettamente collegati tra percezione e controllo".

In questo nuovo studio, i ricercatori hanno affrontato i limiti del loro lavoro precedente, introducendo un approccio alternativo per la guida autonoma ad alta velocità in cui un generatore di mappe dei costi locali sotto forma di un modello di rete neurale profonda basato su video (cioè LSTM) viene utilizzato come processo di misurazione per uno stimatore di stato del filtro antiparticolato.

Essenzialmente, il filtro antiparticolato utilizza questo modello di osservazione dinamico per localizzare in una mappa schematica e l'MPC viene utilizzato per guidare in modo aggressivo in base a questa stima dello stato. Questo aspetto del framework ha permesso loro di ottenere una stima della posizione globale rispetto a una mappa schematica senza utilizzare la tecnologia GPS, migliorando anche l'accuratezza delle previsioni sulla mappa dei costi.

"Adottiamo un approccio diretto alle corse autonome imparando la mappa dei costi intermedi direttamente dalle immagini monoculare, " Drews ha spiegato. "Questa rappresentazione intermedia può quindi essere utilizzata direttamente dal controllo predittivo del modello, o può essere utilizzato da un filtro antiparticolato per avvicinarsi alle prestazioni aggressive basate sullo stato del GPS."

Drews e i suoi colleghi hanno valutato la loro struttura utilizzando il veicolo di prova 1:5 su AutoRally, una piattaforma open source dalla guida autonoma aggressiva. Con il loro approccio, hanno scoperto che il veicolo poteva funzionare in modo affidabile ai limiti di attrito su una pista sterrata complessa, raggiungendo velocità superiori a 27 mph (12 m/s).

"Penso che abbiamo mostrato due cose in questo studio, "Drews ha detto. "In primo luogo, che regredendo direttamente una costmap dalle immagini, possiamo sia usarlo direttamente che usarlo per la localizzazione per consentire una guida aggressiva ai limiti della maneggevolezza. Secondo, che le informazioni temporali sono molto importanti in uno scenario di guida difficile come questo."

Lo studio condotto da Drew e dai suoi colleghi dimostra i vantaggi della combinazione di MPC con la stima dello stato e la percezione appresa. Nel futuro, la loro struttura potrebbe aprire la strada a una guida autonoma aggressiva più robusta ed economica su piste complesse.

"Vorremmo ora migliorare ulteriormente questo metodo con l'attenzione appresa ed estenderlo a ostacoli e ambienti sconosciuti, "Drews ha detto.

© 2018 Science X Network