Модели и платформы ИИ
Беспилотные квадроциклы становятся ближе к реальности

Ключевые моментыНабор данных TartanDrive от Университета Карнеги-Меллона включает 200 000…
Показать больше
- Набор данных TartanDrive от Университета Карнеги-Меллона включает 200 000 взаимодействий в реальных условиях бездорожья, полученных при агрессивном вождении квадроцикла.
- Автономное вождение по бездорожью требует понимания динамики рельефа, в отличие от более простого городского вождения со статическими метками.
- Первые применения автономных транспортных средств, вероятно, будут реализованы на контролируемых участках бездорожья, чтобы минимизировать риск столкновений.
Команда исследователей из Университета Карнеги-Меллона (CMU) делает еще один шаг к созданию беспилотных квадроциклов (ATV). Команда проехала на ATV через различные среды, включая высокую траву, рыхлый гравий и грязь, чтобы собрать данные о том, как ATV взаимодействует с этими типами внедорожных условий.
Создание набора данных TartanDrive
ATV был управляем агрессивно на скоростях до 30 миль в час. Он скользил по поворотам, поднимался и спускался по холмам и застревал в грязи, собирая важные данные, такие как видео, скорость каждого колеса и ход подвески от семи типов датчиков.
После сбора всех данных они были объединены в набор данных под названием TartanDrive. Он включает около 200 000 реальных взаимодействий, и команда считает, что это самый большой реальный, многомодальный, внедорожный набор данных. Эти данные могут быть использованы для обучения беспилотного транспортного средства для внедорожной навигации.
Вэншань Ванг – научный сотрудник Института робототехники (RI).
“В отличие от автономного вождения на улице, внедорожное вождение более сложное, поскольку необходимо понимать динамику местности, чтобы ездить безопасно и быстро”, – сказал Ванг.
Была проведена некоторая предыдущая работа в этой области, но она часто включала аннотированные карты, которые предоставляли метки, такие как грязь, трава, растительность и вода. Эти метки помогали роботу понять местность, но проблема заключается в том, что эту информацию часто трудно собрать. Это также довольно общая информация. Например, “грязь” может означать среду, которая либо проходима, либо нет.
Построение моделей прогнозирования
С помощью мультимодальных сенсорных данных, собранных командой, они могли построить модели прогнозирования, которые превосходят модели, разработанные с помощью простых и нединамических данных. Управляя ATV агрессивно, стало крайне важно понять динамику его работы.
Сэмюэл Триест – студент второго года магистратуры по робототехнике и ведущий автор исследовательской работы.
“Динамика этих систем становится более сложной, когда вы добавляете больше скорости”, – сказал Триест. “Вы едете быстрее, вы отскакиваете от большего количества вещей. Большинство данных, которые мы хотели собрать, были связаны с более агрессивным вождением, более сложными склонами и более густой растительностью, поскольку именно там начинают разрушаться более простые правила.”
Хотя верно, что большинство исследований и работы, связанных с автономными транспортными средствами, направлено на вождение по улицам, исследователи говорят, что первые применения, скорее всего, будут контролируемыми, внедорожными территориями. Это позволяет снизить риск столкновений.
Команда провела все свои тесты на контролируемой территории возле Питтсбурга, где Национальный центр робототехнической инженерии CMU тестирует автономные внедорожные транспортные средства.
ATV был управляем человеком с помощью системы “drive-by-wire”, чтобы контролировать рулевое управление и скорость.
“Мы заставляли человека проходить через тот же интерфейс управления, что и робот”, – сказал Ванг. “Таким образом, действия, которые совершает человек, могут быть использованы непосредственно как входные данные для того, как должен действовать робот.”
Исследование будет представлено на Международной конференции по робототехнике и автоматизации (ICRA) в Филадельфии.












