高效且鲁棒的基于 LiDAR 的端到端导航
机器人学
2021-05-21 v1 计算机视觉与模式识别
摘要
深度学习已被用于展示从原始感官输入进行自动驾驶车辆控制的端到端神经网络学习。虽然 LiDAR 传感器提供可靠准确的信息，现有的端到端驾驶方案主要基于相机，因为处理 3D 数据需要较大的内存占用和计算成本。另一方面，提升这些系统的鲁棒性也至关重要；然而，即便估计模型的不确定性也因基于采样方法的成本而非常具有挑战性。在本文中，我们提出一个高效且鲁棒的基于 LiDAR 的端到端导航框架。我们首先引入基于稀疏卷积核优化和硬件感知模型设计的 Fast-LiDARNet。然后我们提出混合证据融合（Hybrid Evidential Fusion），仅从单次前向传播直接估计预测的不确定性，并智能地融合控制预测。我们在全尺寸车辆上评估我们的系统，并展示了车道稳定以及导航能力。在分布外事件（例如传感器故障）存在时，我们的系统显著提升了鲁棒性并减少了现实世界中的接管次数。
引用
@article{arxiv.2105.09932,
title = {Efficient and Robust LiDAR-Based End-to-End Navigation},
author = {Zhijian Liu and Alexander Amini and Sibo Zhu and Sertac Karaman and Song Han and Daniela Rus},
journal= {arXiv preprint arXiv:2105.09932},
year = {2021}
}
备注
ICRA 2021. The first two authors contributed equally to this work. Project page: https://le2ed.mit.edu/