TartanDrive-dataset is waarschijnlijk de belangrijkste voor offroad-omgevingen

Carnegie Mellon-onderzoekers namen de ATV mee op wilde ritten door hoog gras, los grind en modder om gegevens te verzamelen over hoe de ATV omgaat met de ruwe offroad-omgeving.

Ze reden op een zware ATV met een kracht tot 30 mph. Ze gleden door bochten, heuvels op en af ​​en kwamen zelfs vast te zitten in de modder, terwijl ze gegevens verzamelden zoals video, de snelheid van elk wiel en hoeveel de vering aflegt van zeven soorten sensoren.

De resulterende dataset, TartanDrive genaamd, bevat ongeveer 200.000 van deze real-world interacties. De onderzoekers zijn van mening dat de gegevens de grootste dataset zijn voor realistisch, multimediaal off-road rijden, in termen van het aantal interacties en soorten sensoren. De vijf uur aan gegevens kunnen nuttig zijn om een ​​autonoom voertuig te trainen om off-road te navigeren.

“In tegenstelling tot straatrijden, is offroad rijden een grotere uitdaging omdat je de dynamiek van het terrein moet begrijpen om veilig en sneller te kunnen rijden”, zegt Wenshan Wang, projectwetenschapper bij het Robotics Institute (RI).

Eerder werk bij off-road rijden omvatte vaak geannoteerde kaarten met labels zoals modder, gras, vegetatie of water om de robot te helpen het terrein te begrijpen. Maar dit soort informatie is niet vaak beschikbaar, en zelfs als dat wel het geval is, is het misschien niet nuttig. Een kaartgebied dat ‘modder’ wordt genoemd, kan bijvoorbeeld wel of niet acceptabel zijn. Robots die dynamiek begrijpen, kunnen nadenken over de fysieke wereld.

Het onderzoeksteam ontdekte dat de multimediasensorgegevens die ze voor TartanDrive verzamelden, hen in staat stelden hogere voorspellingsmodellen te bouwen dan die ontwikkeld met eenvoudigere, niet-dynamische gegevens. Agressief rijden heeft mountainbiken ook op het gebied van prestaties geduwd, waar begrip van de dynamiek essentieel wordt, zei tweedejaars masterstudent robotica, Samuel Trieste.

“De dynamiek van deze systemen wordt vaak uitdagender naarmate je meer snelheid toevoegt”, zegt Trieste, hoofdauteur van het resulterende teamdocument. “Je rijdt sneller, je stuitert op meer dingen. Veel van de gegevens die we wilden verzamelen gingen over agressiever rijden, moeilijkere hellingen en dikkere begroeiing, want daar beginnen enkele van de eenvoudigere regels te overtreden.”

Hoewel het meeste werk aan autonome voertuigen gericht is op het rijden op straat, zullen de eerste offroad-toepassingen waarschijnlijk plaatsvinden in gebieden met gecontroleerde toegang, waar het risico op botsingen met mensen of andere voertuigen beperkt is. De tests van het team werden uitgevoerd op een locatie in de buurt van Pittsburgh die het National Center for Robotics Engineering van de Carnegie Mellon University gebruikt om autonome off-road voertuigen te testen. Mensen bestuurden de ATV, ook al gebruikten ze een elektrisch aandrijfsysteem om de richting en snelheid te regelen.

“We dwongen de mens om door dezelfde besturingsinterface te gaan als de robot”, zei Wang. “Op deze manier kunnen acties van een mens direct worden gebruikt als input voor hoe de robot zich zal gedragen.”

Trieste zal deze week de TartanDrive-studie presenteren op de International Conference on Robotics and Automation (ICRA) in Philadelphia. Naast Trieste en Wang bestond het onderzoeksteam uit Sebastian Scherer, universitair hoofddocent onderzoek bij RI; Aaron Johnson, universitair docent werktuigbouwkunde; Chun Jie Wang, Ph.D. student werktuigbouwkunde; en Matthew Sivaprakasam, een student computertechniek aan de Universiteit van Pittsburgh.

Bron verhaal:

Materiaal geleverd door Carnegie Mellon Universiteit. Origineel door Byron Spice. Opmerking: inhoud kan worden aangepast aan stijl en lengte.

Leave a Comment