ObserveNet Control：一种用于自动驾驶车辆预测控制的视觉-动力学学习方法
机器人学
2021-07-20 v1
摘要
自动驾驶的一个关键组成部分是自动驾驶汽车理解、跟踪并预测周围环境的动力学的能力。尽管在目标检测、跟踪与观测预测领域已有大量工作，但此前尚无研究证明原始观测预测可用于运动规划与控制。在本文中，我们提出 ObserveNet Control，这是一种面向自动驾驶车辆预测控制问题的视觉-动力学方法。我们的方法由以下两部分组成：i）能够可靠预测长达 10 秒时间范围内未来传感数据的深度神经网络；ii）基于预测传感数据计算安全车辆状态轨迹的时间规划器。给定车辆的历史状态与以激光雷达点云形式表示的传感数据，该方法旨在以自监督方式学习所观测驾驶环境的动力学，无需手动指定训练标签。实验在仿真与真实环境中分别使用 CARLA 与 RovisLab 的 AMTU 移动平台（作为 1:4 缩放汽车模型）进行。我们在激进驾驶场景（如超车机动或侧切情况）中评估 ObserveNet Control 的能力，并将结果与基线动态窗口法（DWA）以及两种 state-of-the-art 模仿学习系统（即 Learning by Cheating (LBC) 和 World on Rails (WOR)）进行比较。
引用
@article{arxiv.2107.08690,
title = {ObserveNet Control: A Vision-Dynamics Learning Approach to Predictive Control in Autonomous Vehicles},
author = {Cosmin Ginerica and Mihai Zaha and Florin Gogianu and Lucian Busoniu and Bogdan Trasnea and Sorin Grigorescu},
journal= {arXiv preprint arXiv:2107.08690},
year = {2021}
}