户外环境自主导航学习:MAVNet
机器人学
2018-09-05 v1
摘要
在自动化与机器人学现代时期,自主车辆是学术与产业研究的焦点。随着越来越多无人 aerial 车辆参与民用与商业领域活动,此类系统对自主性的需求亦增。鉴于政府对民用无人机飞行高度的限制,基于道路跟踪的导航正受关注。为达成上述任务,我们提出一种基于模仿学习、数据驱动的无人机自主解决方案,通过模仿专家飞手学习飞行以穿行城市街道。源于经典图像分类算法,我们的分类器构建为快速39层Inception模型,利用输入帧的层析重建评估道路存在。基于Inception-v3架构,我们的系统在处理复杂度与精度上优于许多现有模仿学习模型。训练数据由具至少6-8年飞行经验的专家在城郊与半城郊街道周边飞行无人机采集。已从有关当局获许可,其确保数据采集过程对行人风险极小。凭借所采大量无人机数据,我们成功无碰撞、无过冲地以98.44%精度沿路导航。MAVNet的计算效率使无人机以高达6m/sec速度飞行。本研究呈现上述结果,并与其它基于视觉与学习的导航前沿方法比较。
引用
@article{arxiv.1809.00396,
title = {Learning to Navigate Autonomously in Outdoor Environments : MAVNet},
author = {Saumya Kumaar and Arpit Sangotra and Sudakshin Kumar and Mayank Gupta and Navaneethkrishnan B and S N Omkar},
journal= {arXiv preprint arXiv:1809.00396},
year = {2018}
}