基于視覺的積極駕駛的新框架

佐治亞理工學院的機器人與智能機器研究所(IRIM)的研究人員最近提出了一種僅使用單眼相機，IMU傳感器和輪速傳感器進行主動駕駛的新框架。他們的方法在arXiv上預先發表的一篇論文中提出，結合了基于深度學習的道路檢測，粒子過濾器和模型預測控制(MPC)。

進行這項研究的研究人員之一保羅·德魯斯(Paul Drews)告訴TechXplore：“了解自動駕駛的極端情況變得非常重要。” “我們選擇了激進駕駛，因為這是自動駕駛汽車避免碰撞或緩解碰撞的很好的代表。”

術語“激進駕駛”是指地面車輛按照拉力賽的要求在接近裝卸速度極限并且通常具有較大的側滑角的情況下運行。在他們以前的工作中，研究人員調查了使用高質量GPS進行全球位置估計的激進駕駛。這種方法有幾個局限性，例如，它需要昂貴的傳感器并且不包括GPS限制的區域。

研究人員以前基于基于視覺(非基于GPS)的駕駛解決方案取得了可喜的成果，該解決方案基于從單眼攝像機圖像中回歸本地成本圖并將此信息用于基于MPC的控制。但是，由于視野有限且安裝在地面車輛上的攝像機的視角低，單獨處理每個輸入幀會導致學習困難，這使得很難生成在高速下有效的成本圖。

Drews說：“我們這項工作的主要目的是了解視覺如何用作主動駕駛的主要傳感器。” “這帶來了有趣的挑戰，因為視覺處理必須滿足嚴格的時間要求。這使我們能夠探索在感知和控制之間緊密耦合的算法。”

在這項新研究中，研究人員解決了以前工作的局限性，介紹了一種自動高速駕駛的替代方法，其中使用了基于視頻的深度神經網絡模型(即LSTM)形式的本地成本圖生成器作為粒子濾波器狀態估算器的測量過程。

本質上，粒子濾波器使用此動態觀察模型來定位原理圖，并基于該狀態估計值使用MPC進行主動驅動。框架的這一方面允許他們在不使用GPS技術的情況下獲得針對示意圖的全球位置估計，同時還提高了成本圖預測的準確性。

Drews解釋說：“我們通過直接從單眼圖像中學習中間成本圖來直接采取自動駕駛的方法。” “這種中間表示然后可以直接由模型預測控制使用，或者可以由粒子過濾器使用，以達到基于GPS狀態的主動性能。”