OctoPath：一种基于八叉树的自监督移动机器人局部轨迹规划学习方法
机器人学
2021-06-03 v1 人工智能
摘要
自主移动机器人在复杂环境中行驶时通常面临具有挑战性的情况。具体而言，它们必须识别静态与动态障碍物、规划行驶路径并执行运动。针对感知与路径规划问题，本文提出 OctoPath，这是一种以自监督方式训练的编码器-解码器深度神经网络，用于预测自车局部最优轨迹。利用三维八叉树环境模型所提供的离散化，我们的方法将轨迹预测重新表述为一个具有可配置分辨率的分类问题。在训练过程中，OctoPath 最小化给定训练数据集中预测轨迹与人工驾驶轨迹之间的误差。这使我们能够避免基于回归的轨迹估计的缺陷，即输出轨迹点具有无限状态空间。环境感知使用 40 通道机械式 LiDAR 传感器执行，并与惯性测量单元和车轮里程计融合以进行状态估计。实验在仿真与真实环境中均使用我们自主开发的 GridSim 仿真器以及 RovisLab 的 Autonomous Mobile Test Unit 平台进行。我们在室内与室外的不同驾驶场景中评估 OctoPath 的预测，并将我们的系统与基线混合 A-Star 算法、基于回归的监督学习方法以及基于 CNN 学习的最优路径规划方法进行基准对比。
引用
@article{arxiv.2106.00988,
title = {OctoPath: An OcTree Based Self-Supervised Learning Approach to Local Trajectory Planning for Mobile Robots},
author = {Bogdan Trasnea and Cosmin Ginerica and Mihai Zaha and Gigel Macesanu and Claudiu Pozna and Sorin Grigorescu},
journal= {arXiv preprint arXiv:2106.00988},
year = {2021}
}