利用轻量低成本毫米波雷达在恶劣环境下进行导航的跨模态对比表示学习
机器人学
2021-03-02 v1 机器学习
摘要
深度强化学习（RL）中智能体从错误中学习，已成功应用于多种任务。为学习无人车辆的免碰撞策略，深度 RL 已用于基于彩色图像、深度图像和 LiDAR 点云等各类数据的训练，而无需使用经典的建图—定位—规划方法。然而，现有方法受限于对相机和 LiDAR 设备的依赖，在恶劣环境（如烟雾环境）下感知性能下降。为此，我们提出使用轻量且廉价的单芯片毫米波（mmWave）雷达进行基于学习的自主导航。但由于 mmWave 雷达信号通常含噪且稀疏，我们提出一种用于表示学习的跨模态对比学习（CM-CLR）方法，在训练阶段最大化 mmWave 雷达数据与 LiDAR 数据之间的一致性。我们在真实机器人上评估了该方法，对比对象为：1）使用跨模态生成式重建与 RL 策略的两个独立网络的方法；2）无跨模态表示的基线 RL 策略。我们提出的带对比学习的端到端深度 RL 策略成功引导机器人穿越充满烟雾的迷宫环境，且相比生成式重建方法（其产生含噪伪影墙壁或障碍）取得更优性能。所有预训练模型和硬件设置均开放获取以复现本研究，可在 https://arg-nctu.github.io/projects/deeprl-mmWave.html 获取。
引用
@article{arxiv.2101.03525,
title = {Cross-Modal Contrastive Learning of Representations for Navigation using Lightweight, Low-Cost Millimeter Wave Radar for Adverse Environmental Conditions},
author = {Jui-Te Huang and Chen-Lung Lu and Po-Kai Chang and Ching-I Huang and Chao-Chun Hsu and Zu Lin Ewe and Po-Jui Huang and Hsueh-Cheng Wang},
journal= {arXiv preprint arXiv:2101.03525},
year = {2021}
}
备注
For further details, please visit https://arg-nctu.github.io/projects/deeprl-mmWave.html