越野自动驾驶中感知不确定性下的多样本长程路径规划
机器人学
2024-03-19 v1
摘要
我们关注越野自动驾驶车辆的长程动态重规划问题，在此问题中，机器人需要在持续接收带噪声的局部观测的同时，在先前未观测到的环境中规划路径。确定性化是应对感知不确定性下规划的一种有效方法，它将随机世界转化为确定性世界，并在此简化条件下进行规划。这使得规划问题变得可处理，但在现实世界中沿规划路径行进的代价可能与确定性化世界中的代价不同。如果确定性化世界乐观地忽略障碍物，会导致碰撞；如果确定性化世界悲观地设想更多障碍物，则会导致路线不必要地过长。我们旨在对潜在世界的不确定性保持鲁棒性，同时仍获得确定性化带来的效率优势。我们在来自 DARPA RACER 项目的大型真实世界挑战性长程规划问题数据集上评估了动态重规划算法。我们的方法，即通过评估和聚合多样本进行动态重规划（DREAMS），在综合行进时间和碰撞代价方面优于其他基于确定性化的方法。https://sites.google.com/cs.washington.edu/dreams/
引用
@article{arxiv.2403.11298,
title = {Multi-Sample Long Range Path Planning under Sensing Uncertainty for Off-Road Autonomous Driving},
author = {Matt Schmittle and Rohan Baijal and Brian Hou and Siddhartha Srinivasa and Byron Boots},
journal= {arXiv preprint arXiv:2403.11298},
year = {2024}
}