主动学习增强的意图感知自主水面航行器高密度水域避障
机器人学
2024-11-05 v1
摘要
本文通过主动估计障碍物通过意图并降低其不确定性，增强了自主水面航行器（ASV）在高密度水域中的避障能力，以实现安全航行。我们引入了障碍物通过意图的拓扑建模，基于COLREGs中固有的拓扑概念嵌入，可应用于各种遭遇情况。利用长短期记忆（LSTM）神经网络，我们对障碍物的通过意图进行分类。然后，为确定ASV机动，我们提出了一个包含关于通过障碍物意图的信息增益和安全性的多目标优化框架。我们通过大规模蒙特卡洛仿真（2400次运行）验证了所提方法，仿真涵盖不同数量的障碍物、动态特性、遭遇情况和障碍物的不同行为模式（合作、非合作）。我们还展示了真实海洋事故案例研究的结果以及真实ASV在环境干扰下的实验结果，展示了我们的策略在实时中成功避免碰撞。
引用
@article{arxiv.2411.01011,
title = {Active Learning-augmented Intention-aware Obstacle Avoidance of Autonomous Surface Vehicles in High-traffic Waters},
author = {Mingi Jeong and Arihant Chadda and Alberto Quattrini Li},
journal= {arXiv preprint arXiv:2411.01011},
year = {2024}
}
备注
Accepted to IROS 2024