DRIVE：数据驱动的机器人输入向量探索
机器人学
2024-03-28 v2
摘要
精确的运动模型是大多数自主导航系统的基本组成部分。尽管在改进模型形式方面已有大量工作，但对于收集训练模型所需的经验数据尚无标准协议。本文中，我们通过提出数据驱动的机器人输入向量探索（DRIVE）来解决此问题，该协议能够刻画无人地面车辆（UGV）的输入极限并收集经验模型训练数据。我们还提出一种新颖的学习滑移方法，优于类似的加速度学习方法。我们的贡献通过大量实验评估得到验证，累计超过7 km和1.8 h的驾驶数据，涵盖三种不同UGV和四种地形类型。我们表明，我们的协议相比常见的人类驾驶数据收集协议具有更高的预测性能。此外，我们的协议在46 s训练数据下即收敛，几乎比最短的人类数据集收集协议少四倍。我们表明，我们模型的操作极限在铺面冰面上遇到的极端滑移条件下达到。DRIVE是一种在其操作条件下刻画UGV运动的有效方式。我们的代码与数据集均可在线获取：https://github.com/norlab-ulaval/DRIVE。
引用
@article{arxiv.2309.10718,
title = {DRIVE: Data-driven Robot Input Vector Exploration},
author = {Dominic Baril and Simon-Pierre Deschênes and Luc Coupal and Cyril Goffin and Julien Lépine and Philippe Giguère and François Pomerleau},
journal= {arXiv preprint arXiv:2309.10718},
year = {2024}
}
备注
8 pages, 7 figures, 1 table, accepted for publication at the 2024 IEEE International Conference on Robotics and Automation (ICRA2024), Yokohama, Japan