您的位置:人工智能 > 无人驾驶 > RSS 2020 | 在目标、动力学和意图不确定下的隐含信念空间运动规划

RSS 2020 | 在目标、动力学和意图不确定下的隐含信念空间运动规划

【人工智能网】

本文作者:邱迪聪将门好声响第·53·期本文将分享机器人范畴国际顶级集会 RSS 2020 当选论文《Latent Belief Space Motion Planning under Cost, Dynamics, and Intent Uncertainty》,三位作者均来自在MIT 和Founders Fund 投资的自动驾驶始创公司 iSee.ai。该论文提出了一种新的轨迹计划与优化算法PODDP,能够在一连空间(包含状况、行动及观察空间)中处置惩罚多模态(非正态散布)的不确定性。论文还离别展现了PODDP 算法在目的函数、本体体系运动学以及其他个别企图含有不确定性等三个差别的一连空间POMDP 问题下的结果,其表现均明显优于别的两种 baseline 算法。

关于作者:

Dicong Qiu (邱迪聪),是该论文的第一作者, 在iSee.ai 重要处置自动驾驶中行动决议计划与行动计划和认知科学连系的相干事情,此前就读于 CMU 的机器人专业,处置人工智能、轨迹优化及星球探测车等研讨,时期在美国宇航局喷气动力实验室(NASA Jet Propulsion Laboratory)练习,为Mars 2020 及其他星球探测器供应智能视觉认知功用。别的两位作者Yibiao Zhao (赵一彪) 和Chris L. Baker 此前均在Josh Tenenbaum 率领的MIT 盘算认知科学实验室处置相干研讨,如今离别是iSee.ai 的CEO和首席科学家。

Q & A该事情的研讨团队将在下周举办的RSS 2020 主会上举行在线答疑,迎接列位到临介入议论。以下是其论文的在线答疑时候部署。

一、效果与简介

在实在的行车场景中,因为没法直接得知其他车辆驾驶者的性情与企图,所以广泛地存在种种不确定性。周全地斟酌且有效地应对这些不确定性,对平安驾驶,特别是在高速或许庞杂的情形下,至关重要。比方在以下的两个实在场景中,我们的自动驾驶卡车在高速公路上便遇到了举行蛮横变道以及在没有打亮指示灯就举行并道的车辆,故而须要时候关注和评价四周其他车辆的企图、展望对方的行动并作出响应的回响反映(比方减速躲避或许加快让出尾部空间等)。

实在场景1:蛮横变道。一辆车从左边倏忽涌现,并在几秒钟内一连横跨三条车道直奔高速公路出口。

实在场景2:无指示灯变道。一辆车从左边冒出,并且在完整没有打转向指示灯的情况下直接变道。

在这些场景下,行动轨迹须要在一连的状况-行动空间中计划,而对不确定要素的观察一样须要在一连空间中举行。虽然现有的要领能够处置惩罚一连空间中的POMDP 问题,但它们基本上都假设了不确定要素的观察恪守正态散布。
而在实在运用中,多模态不确定性普遍存在。比方,旁侧车辆除了在位置和速率等状况上存在着恪守正太散布的噪声,其驾驶者的性情也存在着另一层的离散型不确定性散布:该驾驶者多是比较谦逊的,但也多是比较激进的。关于这类非正态散布的多模态不确定性POMDP 问题,传统要领并未很好地处理,这也恰是该论文提出的PODDP 算法愿望处理的核心问题。

上一篇:自动驾驶应用始于滴滴
下一篇:远程驾驶让Robotaxi先跑起来

您可能喜欢