Des chercheurs de l'Institute for Robotics and Intelligent Machines (IRIM) du Georgia Institute of Technology ont récemment proposé un nouveau cadre pour la conduite agressive utilisant uniquement une caméra monoculaire, Capteurs IMU et capteurs de vitesse de roue. Leur approche, présenté dans un article pré-publié sur arXiv, combine la détection de route basée sur l'apprentissage profond, filtres à particules et contrôle prédictif de modèle (MPC).

« Comprendre les cas limites de la conduite autonome devient très important, " Paul Drews, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "Nous avons choisi une conduite agressive, car il s'agit d'un bon indicateur pour éviter ou atténuer les collisions requis par les véhicules autonomes. »

Le terme « conduite agressive » fait référence aux cas dans lesquels un véhicule terrestre fonctionne près des limites de vitesse de conduite et souvent avec des angles de dérapage élevés, comme requis dans les courses de rallye. Dans leurs précédents travaux, les chercheurs ont étudié la conduite agressive à l'aide d'un GPS de haute qualité pour l'estimation de la position globale. Cette approche a plusieurs limites, par exemple, il nécessite des capteurs coûteux et exclut les zones interdites par le GPS.

Les chercheurs ont précédemment obtenu des résultats prometteurs avec une solution de conduite basée sur la vision (non basée sur GPS), basé sur la régression d'une carte des coûts locaux à partir d'images de caméra monoculaire et sur l'utilisation de ces informations pour un contrôle basé sur MPC. Cependant, traiter chaque image d'entrée séparément a conduit à des défis d'apprentissage cruciaux en raison du champ de vision limité et du faible point de vue de la caméra montée sur un véhicule terrestre, ce qui rendait difficile la génération de cartes de coûts efficaces à grande vitesse.

"Notre objectif principal pour ce travail est de comprendre comment la vision peut être utilisée comme capteur principal pour la conduite agressive, " Drews a déclaré. "Cela présente des défis intéressants parce que le traitement visuel doit répondre à des exigences de temps strictes. Cela nous permet d'explorer des algorithmes étroitement couplés entre perception et contrôle."

Dans cette nouvelle étude, les chercheurs ont abordé les limites de leurs travaux antérieurs, introduisant une approche alternative pour la conduite autonome à grande vitesse dans laquelle un générateur de carte de coût local sous la forme d'un modèle de réseau de neurones profonds basé sur la vidéo (c'est-à-dire LSTM) est utilisé comme processus de mesure pour un estimateur d'état de filtre à particules.

Essentiellement, le filtre à particules utilise ce modèle d'observation dynamique pour localiser dans une carte schématique et MPC est utilisé pour conduire de manière agressive sur la base de cette estimation d'état. Cet aspect du cadre leur a permis d'obtenir une estimation de position globale par rapport à une carte schématique sans utiliser la technologie GPS, tout en améliorant la précision des prévisions de la carte des coûts.

"Nous adoptons une approche directe de la course autonome en apprenant la carte des coûts intermédiaires directement à partir d'images monoculaires, " a expliqué Drews. " Cette représentation intermédiaire peut ensuite être directement utilisée par le contrôle prédictif du modèle, ou peut être utilisé par un filtre à particules pour approcher les performances agressives basées sur l'état du GPS."

Drews et ses collègues ont évalué leur cadre à l'aide du véhicule d'essai 1:5 sur AutoRally, une plate-forme open source de conduite autonome agressive. Avec leur approche, ils ont découvert que le véhicule pouvait fonctionner de manière fiable aux limites de friction sur une piste de terre complexe, atteindre des vitesses supérieures à 27 mph (12 m/s).

"Je pense que nous avons montré deux choses dans cette étude, " Drews a dit. " D'abord, qu'en régressant directement une costmap à partir d'images, on peut à la fois l'utiliser directement et l'utiliser pour la localisation pour permettre une conduite agressive aux limites de la tenue de route. Seconde, que les informations temporelles sont très importantes dans un scénario de conduite difficile comme celui-ci."

L'étude menée par Drew et ses collègues démontre les avantages de combiner la MPC avec l'estimation de l'état et la perception apprise. À l'avenir, leur cadre pourrait ouvrir la voie à une conduite autonome agressive plus robuste et plus rentable sur des pistes complexes.

"Nous aimerions maintenant enrichir davantage cette méthode avec une attention savante et l'étendre aux obstacles et aux environnements inconnus, ", a déclaré Drews.

© 2018 Réseau Science X