基于深度可解释特征的漂移抑制导航
机器人学
2022-11-28 v2
摘要
现代自动驾驶车辆（AV）常依赖视觉、LIDAR 乃至基于雷达的同步定位与建图（SLAM）框架以实现精确定位与导航。然而，当 AV 观测到极少视觉显著特征或遭遇动态障碍物遮挡时，现代 SLAM 框架常导致不可接受的高水平漂移（即定位误差）。本文主张，最小化漂移必须是 AV 运动规划的关键诉求，这要求 AV 主动采取控制决策以驶向特征丰富区域，同时最小化常规控制代价。为此，我们首先引入一种新颖的数据驱动感知模块，其观测 LIDAR 点云并估计 AV 为最小化漂移须导航至哪些特征/区域。随后，我们引入一个可解释的模型预测控制器（MPC），将 AV 驶向此类特征丰富区域，同时避免视觉遮挡并优雅地权衡漂移与控制代价。我们在前沿 CARLA 模拟器中具有挑战性的动态场景上的实验表明，相较基准方法，我们的方法将漂移降低至多 76.76%。
引用
@article{arxiv.2203.06897,
title = {Drift Reduced Navigation with Deep Explainable Features},
author = {Mohd Omama and Sundar Sripada Venugopalaswamy Sriraman and Sandeep Chinchali and Arun Kumar Singh and K. Madhava Krishna},
journal= {arXiv preprint arXiv:2203.06897},
year = {2022}
}
备注
Accepted in IROS 2022