Maniobra de rebase para vehículos autónomos usando una red neuronal convolucional
Resumen
El desarrollo de vehículos autónomos presenta una serie de desafíos que, durante los últimos años, tanto la Academia como la Industria se han centrado en resolver. Algunas de las problemáticas son: el seguimiento del camino, el rebase de otros vehículos, las maniobras de estacionamiento, la detección de las señales de tránsito, el desarrollo de sistemas de toma de decisiones, etc. Entre los trabajos más destacados está el de (Bojarski et all., 2016) en el cual se diseña una red neuronal convolucional llamada ``PilotNet''. Esta es capaz de tomar las imágenes capturadas por la cámara y generar el control lateral del vehículo para mantenerlo conduciendo en el centro de su carril.
En este trabajo se modificó la arquitectura original de la red “PilotNet”' para que procesara también la información de un sensor LIDAR 2D montado en el auto y se entrenó para que, además de mantenerse conduciendo en su carril, también realizara la maniobra de rebase de otros vehículos tanto estáticos como en movimiento. El conjunto de datos de entrenamiento fue generado en el simulador de Gazebo, con ejemplos de la maniobra de rebase realizada tanto por una persona como por un controlador PD con realimentación visual. Se comparó el desempeño del controlador PD con el de la red neuronal y se encontró que la red tiene un comportamiento más similar al que tendría una persona y es más rápida en realizar la maniobra. Además, no requiere de un sistema de toma de decisiones como el del controlador PD al cambiar de un carril a otro.
Descargas
Citas
Ackermann, J., Guldner, J., Sienel, W., Steinhauser, R., and Utkin, V. I. (1995). Linear and nonlinear controller design for robust automatic steering. IEEE Transactions on control systems technology, 3(1):132–143.
Berlin, F. U. (2020). Autominy An autonomous model car for education. https://autominy.github.io/AutoMiny/.
Bojarski, M., Testa, D. D., Dworakowski, D., Firner, B., Flepp, B., Goyal, P., Jackel, L. D., Monfort, M., Muller, U., Zhang, J., Zhang, X., Zhao, J., and Zieba, K. (2016). End to end learning for self-driving cars. CoRR, abs/1604.07316.
Bojarski, M., Yeres, P., Choromanska, A., Choromanski, K., Firner, B., Jackel, L. D., and Muller, U. (2017). Explaining how a deep neural network trained with end-to-end learning steers a car. CoRR, abs/1704.07911.
Carvalho, A., Gao, Y., Gray, A., Tseng, H. E., and Borrelli, F. (2013). Predictive control of an autonomous ground vehicle using an iterative linearization approach. In 16th International IEEE conference on intelligent transportation systems (ITSC 2013), pages 2335–2340. IEEE.
Codevilla, F., M¨uller, M., L´opez, A., Koltun, V., and Dosovitskiy, A. (2018). End-to-end driving via conditional imitation learning. In 2018 IEEE international conference on robotics and automation (ICRA), pages 4693–4700. IEEE.
Hubschneider, C., Bauer, A., Weber, M., and Z¨ollner, J. M. (2017). Adding navigation to the equation: Turning decisions for end-to-end vehicle control. In 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC), pages 1–8. IEEE.
ITAM (2019). ITAM-Robotica Eagle Knights-Wiki. https: //github.com/ITAM-Robotica/Eagle_Knights-Wiki/wiki/ Running-the-Simulation/.
Rajamani, R. (2011). Vehicle dynamics and control. Springer Science & Business Media.
Thrun, S., Montemerlo, M., Dahlkamp, H., Stavens, D., Aron, A., Diebel, J., Fong, P., Gale, J., Halpenny, M., Hoffmann, G., et al. (2006). Stanley: The robot that won the darpa grand challenge. Journal of field Robotics,
(9):661–692.
Wu, T., Luo, A., Huang, R., Cheng, H., and Zhao, Y. (2019). End-to-end driving model for steering control of autonomous vehicles with future spatiotemporal features. In 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pages 950–955. IEEE.
