[论文解读] ScaTE: A Scalable Framework for Self-Supervised Traversability Estimation in Unstructured Environments

Junwon Seo, Taekyung Kim+3 more|arXiv (Cornell University)|Sep 14, 2022

Autonomous Vehicle Technology and Safety被引用 5

一句话总结

该论文提出 ScaTE，一种可扩展的自监督框架，通过本体感知经验预测和一种新颖的 PU 学习方法，从 3D 点云中学习车辆特定的可通行性，以识别不确定的非可通行区域。该方法无需人工标注即可实现在非结构化环境中的精确、可扩展导航，在真实和模拟的非铺装路面数据上的异常检测和轨迹规划任务中优于基线方法。

ABSTRACT

For the safe and successful navigation of autonomous vehicles in unstructured environments, the traversability of terrain should vary based on the driving capabilities of the vehicles. Actual driving experience can be utilized in a self-supervised fashion to learn vehicle-specific traversability. However, existing methods for learning self-supervised traversability are not highly scalable for learning the traversability of various vehicles. In this work, we introduce a scalable framework for learning self-supervised traversability, which can learn the traversability directly from vehicle-terrain interaction without any human supervision. We train a neural network that predicts the proprioceptive experience that a vehicle would undergo from 3D point clouds. Using a novel PU learning method, the network simultaneously identifies non-traversable regions where estimations can be overconfident. With driving data of various vehicles gathered from simulation and the real world, we show that our framework is capable of learning the self-supervised traversability of various vehicles. By integrating our framework with a model predictive controller, we demonstrate that estimated traversability results in effective navigation that enables distinct maneuvers based on the driving characteristics of the vehicles. In addition, experimental results validate the ability of our method to identify and avoid non-traversable regions.

研究动机与目标

• 为解决现有自监督可通行性估计方法在可扩展性方面的不足，这些方法需要为每种车辆或传感器类型进行人工标注。
• 直接从驾驶经验中学习车辆特定的可通行性，无需人工监督，从而实现对各种车辆和导航策略的适应。
• 解决自监督学习中的不确定性问题，即非可通行区域被过度自信地预测为可通行。
• 开发一种从 3D 点云预测本体感知经验的框架，以实现对地形-车辆相互作用的精确建模。
• 通过集成学习到的可通行性估计，利用模型预测控制（MPC）实现有效导航。

提出的方法

• 该框架训练神经网络，从地形的 3D 点云中预测本体感知经验（如运动动力学），直接建模车辆-地形相互作用。
• 采用一种新颖的正样本-未标记样本（PU）学习方法，仅利用已通行（正样本）区域和未标记（非通行）区域，避免使用人工标注的负样本数据。
• PU 学习方法明确将高不确定性区域识别为非可通行区域，从而降低预测中的过度自信。
• 该方法使用带有改进中心损失的对比学习目标，防止特征空间坍塌，提升异常检测性能。
• 将训练好的模型与模型预测控制器（MPC）集成，基于可通行性估计生成安全、适配车辆的轨迹。
• 该框架在来自仿真和真实非铺装环境（包括山地小径和 RELLIS-3D）的多样化驾驶数据上进行训练。

实验结果

研究问题

• RQ1 自监督框架是否能无需人工标注数据学习车辆特定的可通行性，从而实现对不同车辆和传感器的可扩展性？
• RQ2 基于 PU 学习的方法在识别具有高不确定性的非可通行区域方面效果如何，能否有效降低预测中的过度自信？
• RQ3 从本体感知经验预测中得出的可通行性估计是否能提升在非结构化环境中的导航性能？
• RQ4 与单类分类和异常检测基线方法相比，该方法在检测非可通行地形方面表现如何？
• RQ5 该框架在无需微调或人工干预的情况下，对多种车辆类型和地形类型的泛化能力如何？

主要发现

• 在 RELLIS-3D 数据集上，所提方法实现了 0.9706 的 AUROC 和 0.7852 的 TPR，显著优于基线方法（如 SVDD：AUROC 0.7482，TPR 0.5000；Soft SVDD：AUROC 0.8396，TPR 0.5000）。
• 在山地小径数据上，该方法实现了 0.9706 的 AUROC 和 0.7852 的 TPR，表明其在多种地形类型中具有强大的泛化能力。
• 定性结果表明，使用所提可通行性估计生成的轨迹成功避开了岩石、碎石和陡坡等危险区域，而基线方法则误入此类区域。
• PU 学习方法有效降低了对非通行区域的过度自信，高不确定性区域被明确标记为不可通行。
• 该框架通过仅使用自监督驾驶数据，成功学习了多种车辆类型的可通行性，展示了其可扩展性，且无需人工标注。
• 与模型预测控制器的集成实现了有效、适配车辆的导航，证实了所学可通行性地图的实际应用价值。