В этой статье описывается весь второй уровень, и в частности подходы к картированию и планированию, используемые для решения вопросов, присущих долгосрочному видению: классификация, неопределенности расстояний и эффективность вычислений.
Кроме того, он может представлять собой фактически бесконечный радиус с ограниченным количеством ячеек. Наконец, информация на карте позволяет динамически корректировать политику планирования таким образом, чтобы она была более агрессивной или более консервативной. Ключевым элементом для составления карт на большие расстояния является возможность точного обнаружения нижних (или нижних) препятствий, что позволяет "блокировать" препятствия за их пределами. Используя только нижнюю часть препятствий, мы избегаем проецирования на землю препятствий плоскости, по которым отсутствует информация о высоте, и создаем ложные препятствия.
Долгосрочное видение
Существующая парадигма для мобильных роботов с ручной настройкой эвристики: стереоалгоритм создает облако точек (x, y, z), и стоимость перемещения привязывается к точкам в зависимости от их близости к плоскости земли. Однако стереоалгоритмы, работающие в режиме реального времени, часто создают карты расходов, которые являются малозаметными, скудными и шумными.
Стратегия обучения использует эти стерео ярлыки для контроля, чтобы обучить классификатор в реальном времени. Классификатор затем предсказывает проходимость всех видимых областей, начиная с ближнего расстояния и заканчивая горизонтом.
Для точного распознавания категорий грунта и препятствий лучше тренироваться на больших, дискриминирующих окнах изображения, так как большие окна дают контекстную информацию, не обладающую цветовыми и текстурными особенностями. В других исследованиях изучалось использование онлайн-обучения для мобильных роботов, но их методы в основном ограничивались простой цветовой/текстурной корреляцией.
Картирование с категорической неопределенностью: гистограммы
Выходные данные классификатора
Сеть выдает значение с плавающей запятой для каждого из 5 классов, обнаруженных стереомодулем: суперземля, земля, нога, препятствие, суперпрепятствие. Наличие более визуально согласованных классов помогает сети производить лучшую классификацию по сравнению с бинарным классификатором, который использовался в предыдущих версиях системы. Кроме того, он удобно подходит к гистограмме, используемой в нашем алгоритме планирования затрат.
Неопределенность в маркировке: Стоимость из гистограммы
Неопределенность маркировки может быть вызвана различиями точек зрения, шумом датчика или фазой изучения нейронной сети в Интернете. Картирование с неопределенностью меток в мобильной робототехнике рассматривалось в рамках нескольких подходов от байесовских методов до нечеткой логики. Тривиальные подходы, такие как использование только последних меток или скользящие средние, просты и быстры, но лишены доверия и точности и могут привести к раннему слиянию многоклассовых сетевых продуктов.
Ученые используют гистограмматический подход, подходящий для нескольких классов и позволяющий отложить принятие решения о проходимости до планирования времени: каждая ячейка содержит K ячеек, каждая из которых соответствует классу (или диапазон проходимости для выходов одного класса).
Каждая новая этикетка объединяется в ячейку путем простого добавления. Перед планированием гистограмма преобразуется в стоимость перемещения. В то время решение о проходимости может быть модулировано текущей политикой планирования: консервативной или агрессивной. Поскольку погрешность меток увеличивается с увеличением расстояния, на входящие кадры необходимо накладывать распад расстояния.