佐治亞理工學(xué)院的機(jī)器人與智能機(jī)器研究所(IRIM)的研究人員最近提出了一種僅使用單眼相機(jī)，IMU傳感器和輪速傳感器進(jìn)行主動(dòng)駕駛的新框架。他們的方法在arXiv上預(yù)先發(fā)表的一篇論文中提出，結(jié)合了基于深度學(xué)習(xí)的道路檢測(cè)，粒子過濾器和模型預(yù)測(cè)控制(MPC)。

進(jìn)行這項(xiàng)研究的研究人員之一保羅·德魯斯(Paul Drews)告訴TechXplore：“了解自動(dòng)駕駛的極端情況變得非常重要。” “我們選擇了激進(jìn)駕駛，因?yàn)檫@是自動(dòng)駕駛汽車避免碰撞或緩解碰撞的很好的代表。”

術(shù)語“激進(jìn)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(cè)滑角的情況下運(yùn)行。在他們以前的工作中，研究人員調(diào)查了使用高質(zhì)量GPS進(jìn)行全球位置估計(jì)的激進(jìn)駕駛。這種方法有幾個(gè)局限性，例如，它需要昂貴的傳感器并且不包括GPS限制的區(qū)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(jī)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(jī)的視角低，單獨(dú)處理每個(gè)輸入幀會(huì)導(dǎo)致學(xué)習(xí)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(xiàng)工作的主要目的是了解視覺如何用作主動(dòng)駕駛的主要傳感器。” “這帶來了有趣的挑戰(zhàn)，因?yàn)橐曈X處理必須滿足嚴(yán)格的時(shí)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(xiàng)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(dòng)高速駕駛的替代方法，其中使用了基于視頻的深度神經(jīng)網(wǎng)絡(luò)模型(即LSTM)形式的本地成本圖生成器作為粒子濾波器狀態(tài)估算器的測(cè)量過程。

本質(zhì)上，粒子濾波器使用此動(dòng)態(tài)觀察模型來定位原理圖，并基于該狀態(tài)估計(jì)值使用MPC進(jìn)行主動(dòng)驅(qū)動(dòng)?？蚣艿倪@一方面允許他們?cè)诓皇褂肎PS技術(shù)的情況下獲得針對(duì)示意圖的全球位置估計(jì)，同時(shí)還提高了成本圖預(yù)測(cè)的準(zhǔn)確性。

Drews解釋說：“我們通過直接從單眼圖像中學(xué)習(xí)中間成本圖來直接采取自動(dòng)駕駛的方法。” “這種中間表示然后可以直接由模型預(yù)測(cè)控制使用，或者可以由粒子過濾器使用，以達(dá)到基于GPS狀態(tài)的主動(dòng)性能。”