[论文解读] An Overview of Perception and Decision-Making in Autonomous Systems in the Era of Learning

Yang Tang, Chaoqiang Zhao+7 more|arXiv (Cornell University)|Jan 8, 2020

Robotics and Sensor-Based Localization参考文献 219被引用 16

一句话总结

本文综述了自主系统中基于学习的感知与决策方法，重点探讨了单目深度估计、语义分割、自身运动预测和轨迹规划中深度学习与强化学习的应用。该文将这些方法与传统SLAM和导航框架相结合，突出展示了机器人学与人工智能领域中的关键挑战与未来研究方向。

ABSTRACT

Autonomous systems possess the features of inferring their own ego-motion, autonomously understanding their surroundings, and planning trajectories. With the applications of deep learning and reinforcement learning, the perception and decision-making abilities of autonomous systems are being efficiently addressed, and many new learning-based algorithms have surfaced with respect to autonomous perception and decision-making. In this review, we focus on the applications of learning-based approaches in perception and decision-making in autonomous systems, which is different from previous reviews that discussed traditional methods. First, we delineate the existing classical simultaneous localization and mapping (SLAM) solutions and review the environmental perception and understanding methods based on deep learning, including deep learning-based monocular depth estimation, ego-motion prediction, image enhancement, object detection, semantic segmentation, and their combinations with traditional SLAM frameworks. Second, we briefly summarize the existing motion planning techniques, such as path planning and trajectory planning methods, and discuss the navigation methods based on reinforcement learning. Finally, we examine the several challenges and promising directions discussed and concluded in related research for future works in the era of computer science, automatic control, and robotics.

研究动机与目标

• 考察自主系统中基于学习的感知与决策的最新进展，超越传统方法。
• 分析深度学习如何提升环境理解能力，包括单目深度估计、目标检测和语义分割。
• 探索强化学习在自主系统运动规划与导航中的应用。
• 识别感知、决策与系统集成方面的主要挑战及有前景的未来研究方向。

提出的方法

• 调研经典SLAM解决方案，并将其与基于深度学习的感知模块（如单目深度估计和自身运动预测）相结合。
• 回顾用于图像增强、目标检测和语义分割的深度学习技术，以提升环境理解能力。
• 分析将传统SLAM与学习型感知组件相结合的混合框架，以提升鲁棒性与准确性。
• 总结基于强化学习的运动规划技术，包括路径规划与自主导航中的轨迹优化。
• 评估利用端到端学习实现不确定性下决策的导航策略。
• 综合机器人学、控制理论与人工智能领域近期文献中的挑战与未来研究方向。

实验结果

研究问题

• RQ1 基于深度学习的方法在提升自主系统感知能力（如深度估计与语义分割）方面有何改进？
• RQ2 基于学习的感知如何有效集成到经典SLAM框架中？
• RQ3 强化学习在自主系统运动规划与导航中的优势与局限性是什么？
• RQ4 端到端学习方法与模块化感知-决策流水线在真实世界自主导航中的表现如何比较？
• RQ5 基于学习的感知与决策在自主系统中的关键开放挑战与未来研究方向是什么？

主要发现

• 基于深度学习的单目深度估计显著提升了单摄像头系统中的深度精度，实现了无需激光雷达的成本效益感知。
• 使用深度神经网络进行语义分割与目标检测增强了环境理解能力，支持更安全、更自适应的导航。
• 将学习型感知与传统SLAM框架结合，提升了在动态环境与低纹理环境中的鲁棒性。
• 强化学习实现了可适应复杂多变环境的端到端导航策略，但样本效率仍是挑战。
• 结合经典SLAM与深度学习的混合方法在长期自主性与定位精度方面表现出更优性能。
• 主要挑战包括域泛化能力、实时推理、学习决策系统的安全保证与可解释性。