Kredit: Carnegie Mellon University
Forskare från Carnegie Mellon University tog ett terrängfordon på vilda turer genom högt gräs, löst grus och lera för att samla in data om hur ATV:n interagerade med en utmanande terrängmiljö.
De körde den tungt instrumenterade ATV:n aggressivt i hastigheter upp till 30 miles per timme. De gled genom svängar, tog den upp och ner för backar och fastnade till och med i leran – allt samtidigt som de samlade in data som video, hastigheten på varje hjul och mängden fjädring från sju typer av sensorer.
Den resulterande datamängden, kallad TartanDrive, innehåller cirka 200 000 av dessa interaktioner. Forskarna tror att data är den största, multimodala, terrängkörningsdatauppsättningen i verkliga världen, både när det gäller antalet interaktioner och typer av sensorer. De fem timmarna av data kan vara användbara för att träna ett självkörande fordon att navigera terräng.
“Till skillnad från autonom gatukörning är terrängkörning mer utmanande eftersom du måste förstå dynamiken i terrängen för att kunna köra säkert och köra snabbare”, säger Wenshan Wang, en projektforskare vid Robotics Institute (RI).
Tidigare arbete med terrängkörning har ofta involverat kommenterade kartor, som ger etiketter som lera, gräs, växtlighet eller vatten för att hjälpa roboten att förstå terrängen. Men den typen av information är inte ofta tillgänglig och, även när den är, kanske inte användbar. Ett kartområde märkt som lera kan till exempel vara körbart eller inte. Robotar som förstår dynamik kan resonera om den fysiska världen.
Kredit: Carnegie Mellon University
Forskargruppen fann att de multimodala sensordata de samlade in för TartanDrive gjorde det möjligt för dem att bygga prediktionsmodeller överlägsna de som utvecklats med enklare, icke-dynamisk data. Att köra aggressivt förde också in ATV:n till ett prestandavärld där förståelse för dynamik blev avgörande, sa Samuel Triest, en andraårs masterstudent i robotik.
“Dynamiken i dessa system tenderar att bli mer utmanande när du lägger till mer hastighet”, säger Triest, som var huvudförfattare på lagets resultat. ”Du kör fortare, du studsar av fler grejer. Mycket av de data vi var intresserade av att samla in var denna mer aggressiva körning, mer utmanande backar och tjockare vegetation eftersom det är där några av de enklare reglerna börjar gå sönder.”
Även om det mesta arbetet med självkörande fordon fokuserar på gatukörning, kommer de första applikationerna troligen att vara off-road i kontrollerade åtkomstområden, där risken för kollisioner med människor eller andra fordon är begränsad. Teamets tester utfördes på en plats nära Pittsburgh som CMU:s National Robotics Engineering Center använder för att testa autonoma terrängfordon. Människor körde ATV:n, även om de använde ett drive-by-wire-system för att kontrollera styrning och hastighet.
“Vi tvingade människan att gå igenom samma kontrollgränssnitt som roboten skulle,” sa Wang. “På det sättet kan de handlingar som människan vidtar användas direkt som input för hur roboten ska agera.”
Triest presenterade TartanDrive-studien vid International Conference on Robotics and Automation (ICRA) i Philadelphia.
Robotister går av vägen för att sammanställa data som kan träna självkörande ATV:er
Mer information:
Samuel Triest et al, TartanDrive: En storskalig datauppsättning för att lära sig terrängdynamikmodeller. arXiv:2205.01791v1 [cs.RO]arxiv.org/abs/2205.01791 Tillhandahålls av Carnegie Mellon University
Citat:Robotiker åker terräng för att sammanställa data som kan träna självkörande terränghjulingar (2022, 18 juli)hämtad 18 juli 2022 från https://techxplore.com/news/2022-07-roboticists-off-road-self-driving- atvs.html
Detta dokument är föremål för upphovsrätt. Bortsett från all rättvis handel i syfte att privata studier eller forskning, får ingen del reproduceras utan skriftligt tillstånd. Innehållet tillhandahålls endast i informationssyfte.
Håll kontakten med oss på sociala medieplattformar för omedelbar uppdatering klicka här för att gå med i vår Twitter och Facebook
