Roboty se učí řídit v terénu
Ačkoli se většina prací na samořízených vozidlech zaměřuje na jízdu po silnici, první aplikace budou pravděpodobně mimo zpevněný povrch v oblastech, kde je riziko srážky s lidmi nebo jinými vozidly omezené
„Na rozdíl od autonomního pouličního řízení je však jízda v terénu náročnější, protože je nutné rozumět dynamice terénu. Roboty, které rozumí dynamice, mohou uvažovat o fyzickém světě,“ řekl Wenshan Wang, projektový vědec z Robotického institutu (RI).
Předchozí práce na jízdě v terénu často zahrnovaly anotované mapy, které obsahovaly štítky, jako bláto, tráva, vegetace nebo voda, které robotu pomohly porozumět terénu. Tento druh informací však není často dostupný, a pokud je, nemusí být užitečný. Oblast mapy označená např. jako bláto, může, ale také nemusí být sjízdná.
Výzkumníci proto vzali terénní vozidlo na divoké jízdy vysokou trávou, štěrkem a blátem na místě, které Národní centrum robotického inženýrství CMU používá k testování autonomních terénních vozidel, aby shromáždili data o tom, jak ATV interagovala s náročným terénem. Silně vybavenou čtyřkolku řídili rychlostí až 50 km/h. Projížděli zatáčkami, vyjížděli a sjížděli kopce a dokonce uvízli v bahně – to vše při shromažďování dat, jako je video, rychlost každého kola a velikost dráhy tlumení odpružení ze sedmi typů senzorů.
Výsledkem je datová sada TartanDrive, zahrnující asi 200 000 těchto interakcí. Těchto pět hodin dat představuje podle názoru výzkumníků z CMU zřejmě největší multimodální datovou sadu v reálném světě, a to jak z hlediska počtu interakcí, tak typů senzorů. TartanDrive by mohla být užitečná pro výcvik samořídícího vozidla pro navigaci mimo silnice.
Výzkumný tým zjistil, že data multimodálních senzorů, která shromáždili pro TartanDrive, jim umožnila sestavit predikční modely lepší než modely vyvinuté s jednoduššími, nedynamickými daty. Agresivní řízení také posunulo ATV do sféry výkonu, kde se pochopení dynamiky stalo zásadní.
Byron Spice, Carnegie Mellon University
Foto: Carnegie Mellon University