[论文解读] 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 5

一句话总结

國立交通大學團隊開發了一套模組化、容器化的智慧代理框架，適用於自主水面載具（ASV），實現ROS與MOOS中介軟體的無縫整合，支援模擬（Gazebo）與實機部署於小型與全尺寸WAM-V機器人。該系統支援傳統方法與學習式方法（特別是深度強化學習用於避障），在100次避障測試中達成90%成功率，並透過基於AprilTag的視覺系統實現精確定位。

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.

研究动机与目标

• 解決自主水面載具（ASV）在模擬、實機與不同中介軟體（ROS/MOOS）環境下缺乏標準化、模組化與可重用框架的問題。
• 實現經典基於模型的方法與學習式方法（如CNN、DRL）在ASV任務（如避障與物體偵測）之間的系統性比較。
• 透過開發穩定的戶外視覺定位系統（使用AprilTag），縮小模擬與實境之間的差距，實現精確評估。
• 建立可重現的容器化平台，推動AI驅動的ASV研究，靈感來自Duckietown的AI駕駛奧運原則。

提出的方法

• 採用Docker容器化技術，統一ROS與MOOS的軟體堆疊，實現從模擬（Gazebo）到實機（小型與全尺寸WAM-V）的一致部署。
• 設計統一的智慧代理介面，定義標準化的觀測與動作，促進經典與學習式演算法之間的跨方法比較。
• 實作深度強化學習（DRL）用於避障，以LiDAR輸入為基礎，動作空間定義為⟨go_straight, turn_left, turn_right⟩，並設計獎勵函數，懲罰碰撞並鼓勵直行。
• 建置戶外視覺定位系統，利用安裝於浮動浮標上的AprilTag，實現即時、公尺級以內的軌跡估計與速度追蹤。
• 整合感知流程，用於標誌牌偵測與3D物體辨識，結合特徵基礎與深度學習方法。
• 在湖泊環境中透過自訂發射平台與捲揚系統，進行迭代測試，以驗證實境性能。

实验结果

研究问题

• RQ1 如何設計一個統一的軟體框架，以支援ASV開發中ROS與MOOS中介軟體在模擬與實機之間的整合？
• RQ2 深度強化學習在具備複雜感測器輸入（如LiDAR）的ASV避障任務中，其應用成效如何？
• RQ3 ASV任務中模擬與實境表現之間的主要差距為何？如何透過穩健的定位與校準來縮小這些差距？
• RQ4 模組化、容器化的智慧代理框架是否能實現經典與學習式感知與控制方法之間的公平且系統性的比較？
• RQ5 低成本、戶外、視覺導向的定位系統，如何提供ASV自主性評估的量化基準？

主要发现

• 容器化的智慧代理框架成功實現了在ROS、MOOS、模擬（Gazebo）與實境WAM-V平台之間的演算法部署與比較。
• 在避障測試中，DRL代理在100集試驗中達成90%的成功率，證明在複雜海洋環境中端到端學習的可行性。
• 基於AprilTag的視覺定位系統提供公尺級以內的軌跡準確度，並支援定位與運動控制表現的量化評估。
• 系統在戶外湖泊環境中穩定運作，成功完成10次測試中的9次避障任務，並完成水下操縱中的環圈自動回收。
• 經典影像處理與PID控制的整合，實現了可靠的水下環圈偵測與抓取，驗證了混合感知-控制流程的穩健性。
• 模組化、容器化的架構顯著降低開發與部署的負擔，支援快速迭代與演算法的社群共享。