基于可微分优化的遮挡感知目标跟踪神经策略
机器人学
2024-06-24 v1
摘要
在杂乱和动态环境中跟踪目标具有挑战性，但这是许多应用（如航空摄影）中的核心组件。环境中的障碍物不仅增加碰撞风险，还可能遮挡目标使其无法进入机器人视野。此外，目标的未来�迹可能是未知的，只能估计其当前状态。本文提出一种用于安全、无遮挡目标跟踪的学习概率神经策略。我们工作的核心新颖之处在于，我们的策略网络结构将基于条件变分自编码器 (CVAE) 的生成模型与可微分优化层相结合。CVAE的作用是提供基本轨迹分布，然后通过优化层投射到所学习的可行集上。此外，CVAE网络的权重和可微分优化的参数可以以演示轨迹的方式进行端到端学习。我们在以下方面提高了当前最先进 (SOTA) 水平：我们显示，所学策略在遮挡/碰撞规避能力和计算时间方面优于现有SOTA。其次，我们呈现了大量消融实验，说明学习管道的不同组件如何为整体跟踪任务作出贡献。我们还展示了在资源受限硬件（如NVIDIA Jetson TX2）上的实时性能。最后，我们的所学策略也可以作为高度杂乱环境中导航的反应式规划器。
引用
@article{arxiv.2406.14639,
title = {Differentiable-Optimization Based Neural Policy for Occlusion-Aware Target Tracking},
author = {Houman Masnavi and Arun Kumar Singh and Farrokh Janabi-Sharifi},
journal= {arXiv preprint arXiv:2406.14639},
year = {2024}
}