AI-modeller og plattformer
Selvkjørende ATV-er er på vei

Viktige punkterCMUs TartanDrive-datasett inneholder 200 000 virkelige terrengkjøringsinteraksjoner fra…
Vis mer
- CMUs TartanDrive-datasett inneholder 200 000 virkelige terrengkjøringsinteraksjoner fra aggressiv ATV-kjøring.
- Autonomi utenfor vei krever forståelse av terrengdynamikk, i motsetning til enklere gatekjøring med statiske etiketter.
- De første applikasjonene for autonome kjøretøy vil sannsynligvis være i kontrollerte terrengområder for å minimere kollisjonsrisiko.
Et team av forskere ved Carnegie Mellon University (CMU) bringer oss ett skritt nærmere å oppnå selvkjørende terrengkjøretøy (ATV-er). Teamet kjørte en ATV gjennom ulike miljøer, inkludert høyt gress, løs grus og mudder, for å samle inn data om hvordan ATV-en interagerer med disse typene av terreng.
Opprettelse av TartanDrive-datasettet
ATV-en ble kjørt aggressivt i hastigheter opp til 30 miles per time. Den gled gjennom svinger, gikk opp og ned bakker og ble fast i mudderet mens den samlet inn viktig data som video, hastigheten til hvert hjul og støtdempernes fjæringsvei fra syv typer sensorer.
Etter å ha samlet inn all data, ble den kompilert til et datasett kalt TartanDrive. Det inkluderer omtrent 200 000 virkelige interaksjoner, og teamet tror det er det største virkelige, multimodale, off-road kjøredatasettet. Dataene kan senere brukes til å trene en selvkjørende bil for off-road navigasjon.
Wenshan Wang er en prosjektvitenskapsmann i Robotics Institute (RI).
“I motsetning til autonom gatekjøring, er off-road kjøring mer utfordrende fordi du må forstå terrengets dynamikk for å kjøre trygt og raskt,” sa Wang.
Det har vært noen tidligere arbeid i dette området, men det har ofte involvert annoterte kart som ga merkelapper som mudder, gress, vegetasjon og vann. Disse merkelappene hjalp roboten å forstå terrenget den navigerte, men problemet er at denne typen informasjon ofte er vanskelig å samle inn. Det er også ganske generisk informasjon. For eksempel kan “mudder” bety et miljø som er enten kjørbart eller ikke.
Bygging av prediksjonsmodeller
Med den multimodale sensor-dataen teamet samlet inn, kunne de bygge prediksjonsmodeller som er overlegen modellene utviklet med enkle og ikke-dynamiske data. Ved å kjøre ATV-en aggressivt, ble det kritisk å forstå dens ytelses dynamikk.
Samuel Triest er en andreårs masterstudent i robotikk og hovedforfatter av forskningsrapporten.
“Dynamikken i disse systemene tenderer å bli mer utfordrende når du legger til mer hastighet,” sa Triest. “Du kjører raskere, du spretter mot flere hindringer. Mye av dataene vi var interessert i å samle inn var denne mer aggressive kjøringen, mer utfordrende skråninger og tykkere vegetasjon fordi det er der noen av de enklere reglene begynner å bryte sammen.”
Selv om det er sant at mesteparten av forskningen og arbeid omkring autonome kjøretøy er rettet mot gatekjøring, sier forskerne at de første anvendelsene sannsynligvis vil være kontrollerte, off-road områder. Dette tillater mindre risiko for kollisjoner.
Teamet utførte alle sine tester på et kontrollert sted nær Pittsburgh hvor CMU’s National Robotics Engineering Center tester autonome off-road kjøretøy.
ATV-en ble kjørt av mennesker som brukte et drive-by-wire system for å kontrollere styring og hastighet.
“Vi tvang mennesket til å gå gjennom samme kontrollgrensesnitt som roboten ville,” sa Wang. “På den måten kan handlingene mennesket tar brukes direkte som inndata for hvordan roboten skal handle.”
Forskningen skal presenteres på International Conference on Robotics and Automation (ICRA) i Philadelphia.












