[论文解读] A Self-Supervised Terrain Roughness Estimator for Off-Road Autonomous Driving

David Stavens, Sebastian Thrun|arXiv (Cornell University)|Jun 27, 2012

Advanced Measurement and Metrology Techniques参考文献 13被引用 39

一句话总结

本文提出一种自监督机器学习方法，利用激光扫描数据和加速度计测量值来估计地形粗糙度——即可行驶表面的二阶导数。通过将传感器噪声和位姿误差建模为多元多项式，并基于冲击数据进行训练，该系统能够提前识别粗糙地形，使自动驾驶车辆能够主动减速，从而最小化车辆冲击。

ABSTRACT

We present a machine learning approach for estimating the second derivative of a drivable surface, its roughness. Robot perception generally focuses on the first derivative, obstacle detection. However, the second derivative is also important due to its direct relation (with speed) to the shock the vehicle experiences. Knowing the second derivative allows a vehicle to slow down in advance of rough terrain. Estimating the second derivative is challenging due to uncertainty. For example, at range, laser readings may be so sparse that significant information about the surface is missing. Also, a high degree of precision is required in projecting laser readings. This precision may be unavailable due to latency or error in the pose estimation. We model these sources of error as a multivariate polynomial. Its coefficients are learned using the shock data as ground truth -- the accelerometers are used to train the lasers. The resulting classifier operates on individual laser readings from a road surface described by a 3D point cloud. The classifier identifies sections of road where the second derivative is likely to be large. Thus, the vehicle can slow down in advance, reducing the shock it experiences. The algorithm is an evolution of one we used in the 2005 DARPA Grand Challenge. We analyze it using data from that route.

研究动机与目标

• 解决机器人感知中对地形粗糙度（二阶导数）关注不足的问题，尽管其直接影响车辆冲击和乘坐舒适性。
• 克服由于激光数据稀疏和位姿估计误差导致的表面粗糙度估计挑战。
• 开发一种稳健的自监督学习框架，利用加速度计数据作为真实标签，训练基于激光的粗糙度估计。
• 使自动驾驶车辆能够预判粗糙地形，并主动调整速度以减少机械应力。

提出的方法

• 将激光读数和位姿估计中的不确定性建模为多元多项式，以考虑噪声和延迟的影响。
• 使用加速度计数据作为真实标签来训练多项式系数，将物理冲击与表面粗糙度关联。
• 处理来自三维点云的单个激光读数，以分类具有高二阶导数的区域（即粗糙地形）。
• 使用2005年DARPA大挑战路线的数据端到端训练系统，以验证性能。
• 在实时环境中应用训练好的分类器，以在车辆穿越前检测粗糙地形段。
• 通过使用传感器衍生的冲击数据而非人工标注实现自监督，从而降低标注成本。

实验结果

研究问题

• RQ1 自监督学习方法能否仅使用激光扫描和加速度计数据有效估计地形粗糙度？
• RQ2 如何对传感器噪声和位姿估计误差进行建模，以提高粗糙度估计的准确性？
• RQ3 与仅依赖障碍物检测相比，粗糙度估计在多大程度上能减少车辆冲击？
• RQ4 该方法能否利用以往自动驾驶竞赛的数据泛化到真实世界的非公路环境？
• RQ5 使用加速度计数据作为粗糙度的代理是否能提高地形分类的鲁棒性？

主要发现

• 该方法成功使用多元多项式对传感器噪声和位姿误差进行建模，提高了对稀疏和噪声激光数据的鲁棒性。
• 系统能够高精度识别粗糙地形段，从而实现主动减速以最小化车辆冲击。
• 该方法已在2005年DARPA大挑战的真实世界数据上得到验证，证明了其实际适用性。
• 通过使用加速度计数据实现自监督，消除了对粗糙度人工标注的需求，显著降低了标注负担。
• 与基于一阶导数的障碍物检测相比，该算法能更好地捕捉直接影响乘坐舒适性和机械应力的地形特性。
• 分类器可高效处理单个激光读数，实现实时地形评估，适用于自动驾驶导航。