[论文解读] DeepTerramechanics: Terrain Classification and Slip Estimation for Ground Robots via Deep Learning

R. Gonzalez, Karl Iagnemma|arXiv (Cornell University)|Jun 12, 2018

Soil Mechanics and Vehicle Dynamics参考文献 2被引用 31

一句话总结

该论文提出了一种深度学习框架 DeepTerramechanics，可直接从原始传感器数据中对地形类型进行分类并估计轮子滑移，采用卷积神经网络（CNN）和深度神经网络（DNN）实现，在三个真实世界的机器人数据集上表现出优于传统机器学习方法（如SVM和MLP）的性能，准确率在10–25个周期后趋于稳定，且在仅使用CPU的系统上训练时间仅为3–6小时。

ABSTRACT

Terramechanics plays a critical role in the areas of ground vehicles and ground mobile robots since understanding and estimating the variables influencing the vehicle-terrain interaction may mean the success or the failure of an entire mission. This research applies state-of-the-art algorithms in deep learning to two key problems: estimating wheel slip and classifying the terrain being traversed by a ground robot. Three data sets collected by ground robotic platforms (MIT single-wheel testbed, MSL Curiosity rover, and tracked robot Fitorobot) are employed in order to compare the performance of traditional machine learning methods (i.e. Support Vector Machine (SVM) and Multi-layer Perceptron (MLP)) against Deep Neural Networks (DNNs) and Convolutional Neural Networks (CNNs). This work also shows the impact that certain tuning parameters and the network architecture (MLP, DNN and CNN) play on the performance of those methods. This paper also contributes a deep discussion with the lessons learned in the implementation of DNNs and CNNs and how these methods can be extended to solve other problems.

研究动机与目标

• 为解决地面机器人中地形-机器人相互作用的关键挑战，实现实时地形分类与滑移估计。
• 评估深度学习模型（CNN和DNN）是否在地形与滑移预测任务中优于传统机器学习方法（SVM和MLP）。
• 研究超参数与网络架构对地形力学应用中模型性能的影响。
• 为在机器人领域中应用端到端深度学习处理原始传感器数据提供概念验证，避免人工特征工程。
• 探索在标准非GPU硬件上部署深度学习以实现机器人地形感知任务的可行性。

提出的方法

• 本研究采用来自MIT单轮试验平台、MSL好奇号火星车以及Fitorobot履带式平台的三个真实世界数据集，用于模型的训练与验证。
• 滑移估计被建模为多分类问题（低、中、高滑移），输入特征包括原始IMU数据和电机电流信号。
• 地形分类使用地形的原始灰度图像作为输入，由卷积神经网络直接处理，无需人工特征提取。
• 作者实现了多种模型并进行对比：SVM、MLP、DNN以及两种CNN架构（CNN1和CNN2），所有模型均基于原始传感器数据进行训练。
• 对超参数如Dropout率、优化器（adadelta在测试配置中优于sgd和mse）、激活函数（隐藏层使用ReLU，输出层使用softmax）进行了调优以获得最佳性能。
• 训练在标准CPU上进行，未使用GPU，因此限制了模型复杂度与数据集规模，以控制计算成本。

实验结果

研究问题

• RQ1 基于原始传感器数据，CNN和DNN等深度学习模型是否在地形分类与轮滑估计任务中优于传统机器学习方法（SVM、MLP）？
• RQ2 Dropout率、优化器选择与激活函数等超参数如何影响深度学习模型在地形力学任务中的性能？
• RQ3 在使用深度网络进行滑移估计与地形分类任务时，达到收敛的最优训练周期数是多少？
• RQ4 在不进行人工特征工程的前提下，直接使用原始数据（图像与传感器信号）对模型准确率与泛化能力有何影响？
• RQ5 在标准非GPU硬件上，深度学习在多大程度上可有效部署于实时机器人地形感知任务？

主要发现

• 基于CNN的模型在滑移估计任务中约10个周期后性能趋于稳定，地形分类任务则在25个周期后稳定，表明在合理训练周期内即可收敛。
• 在测试配置中，adadelta优化器的性能优于随机梯度下降（SGD）和均方误差（MSE）损失函数。
• 两种CNN架构（CNN1与CNN2）之间未观察到显著性能差异，表明对于给定任务，更简单的网络结构可能已足够。
• 使用灰度图像进行地形分类的训练时间约为3小时，而使用RGB图像时上升至近6小时，但RGB输入并未带来性能提升。
• 尽管未使用GPU，深度学习模型仍取得了具有竞争力的结果，证明在标准硬件上实现从原始数据端到端学习是可行的。
• 本研究证实，将原始数据直接输入深度网络可替代人工特征工程，网络能够自动从传感器信号与图像中学习相关表征。