[論文レビュー] Team NCTU: Toward AI-Driving for Autonomous Surface Vehicles -- From Duckietown to RobotX

Yiwei Huang, Tzu-Kuan Chuang+22 more|arXiv (Cornell University)|Oct 31, 2019

Robotic Path Planning Algorithms参考文献 21被引用数 5

ひとこと要約

NCTUチームは、自律型水上無人艇（ASV）向けに、モジュラーでコンテナ化されたAIエージェントフレームワークを開発した。このフレームワークは、ROSとMOOSのミドルウェア、シミュレーション（Gazebo）、および小型・大型WAM-Vロボットへの実機デプロイメントをシームレスに統合可能である。本システムは、古典的手法と学習ベースの手法（特に障害物回避のための深層強化学習）の両方をサポートし、100回の障害物回避試行で90％の成功率を達成。また、AprilTagベースのビジョンシステムにより定量的なローカライゼーションを実現した。

ABSTRACT

Robotic software and hardware systems of autonomous surface vehicles have been developed in transportation, military, and ocean researches for decades. Previous efforts in RobotX Challenges 2014 and 2016 facilitates the developments for important tasks such as obstacle avoidance and docking. Team NCTU is motivated by the AI Driving Olympics (AI-DO) developed by the Duckietown community, and adopts the principles to RobotX challenge. With the containerization (Docker) and uniformed AI agent (with observations and actions), we could better 1) integrate solutions developed in different middlewares (ROS and MOOS), 2) develop essential functionalities of from simulation (Gazebo) to real robots (either miniaturized or full-sized WAM-V), and 3) compare different approaches either from classic model-based or learning-based. Finally, we setup an outdoor on-surface platform with localization services for evaluation. Some of the preliminary results will be presented for the Team NCTU participations of the RobotX competition in Hawaii in 2018.

研究の動機と目的

• シミュレーション、実機ロボット、および異なるミドルウェア（ROS/MOOS）間で標準化され、モジュラーかつ再利用可能な自律型水上無人艇（ASV）開発フレームワークの欠如を解消すること。
• 障害物回避や物体検出といったASVタスクにおいて、古典的手法（モデルベース）と学習ベースの手法（CNN、DRLなど）の間で体系的な比較を可能にすること。
• 野外で安定したビジョンベースのローカライゼーションシステム（AprilTagを用いて）を構築することで、シミュレーションと実環境のギャップを埋め、定量的評価を可能にすること。
• DuckietownのAIドライブオリンピックの原則を模倣し、再現可能でコンテナ化されたAI駆動ASV研究プラットフォームを確立すること。

提案手法

• Dockerによるコンテナ化を活用し、ROSとMOOSのソフトウェアスタックを統一。これにより、シミュレーション（Gazebo）から実機（小型および大型WAM-V）への一貫性のあるデプロイメントが可能になった。
• 古典的および学習ベースのアルゴリズム間の比較を容易にするために、標準化された観測と行動を備えた統一されたAIエージェントインターフェースを設計した。
• LiDAR入力を用いた障害物回避のための深層強化学習（DRL）を実装。行動空間は⟨go_straight, turn_left, turn_right⟩であり、衝突をペナルティとし、直進を奨励する報酬関数を採用した。
• 浮かぶブイに取り付けたAprilTagを用いた屋外ビジョンベースのローカライゼーションシステムを構築。リアルタイムで1m未満の精度で軌道推定と速度追跡が可能となった。
• 特徴ベースおよびディープラーニング手法の両方を用いたプレート検出および3次元物体認識のための認識パイプラインを統合した。
• 湖環境で反復的なテストを実施。独自の発射プラットフォームとウィンチシステムを用いて、実環境での性能を検証した。

実験結果

リサーチクエスチョン

• RQ1 ROSとMOOSの両方のミドルウェアを、シミュレーションと実機ロボットの両方で統合できる統一されたソフトウェアフレームワークを設計するには、どのようにすればよいか？
• RQ2 LiDARのような複雑なセンサ入力を用いたASVの障害物回避タスクにおいて、深層強化学習（DRL）はどの程度成功裏に適用可能か？
• RQ3 ASVタスクにおけるシミュレーションと実環境の性能ギャップの主な要因は何か。また、堅牢なローカライゼーションとキャリブレーションにより、それらのギャップはどのように最小化できるか？
• RQ4 モジュラーでコンテナ化されたAIエージェントフレームワークは、古典的手法と学習ベースの認識・制御手法の間で、公平かつ体系的な比較を可能にするか？
• RQ5 低コストで屋外運用可能なビジョンベースのローカライゼーションシステムは、ASV自律性の評価に定量的ベンチマークを提供できるか？

主な発見

• コンテナ化されたAIエージェントフレームワークにより、ROS、MOOS、シミュレーション（Gazebo）、および実機WAM-Vプラットフォーム間でのアルゴリズムのデプロイと比較が成功裏に実現された。
• 障害物回避試行において、DRLエージェントは100エピソードで90％の成功率を達成。複雑な海洋環境におけるエンドツーエンド学習の実現可能性が示された。
• AprilTagベースのビジョンローカライゼーションシステムにより、1m未満の軌道精度が達成され、ローカライゼーションおよび運動制御性能の定量的評価が可能になった。
• 屋外湖環境でも安定した運用が実現。10回中9回の障害物回避試行に成功し、水中マニピュレーションタスクにおけるリング自動回収も達成した。
• 古典的画像処理とPID制御の統合により、水中リングの検出と把持が信頼性高く実現。ハイブリッド認識-制御パイプラインの堅牢性が検証された。
• モジュラーでコンテナ化されたアーキテクチャにより、開発およびデプロイのオーバーヘッドが顕著に削減され、アルゴリズムの迅速な反復開発とコミュニティ間の共有を支援した。