Il set di dati TartanDrive è probabilmente il più grande per gli ambienti fuoristrada
I ricercatori della CMU hanno portato un ATV su giri selvaggi per raccogliere dati che potrebbero essere utilizzati per addestrare veicoli a guida autonoma a guidare fuori strada in futuro.
I ricercatori della Carnegie Mellon University hanno portato un veicolo fuoristrada in percorsi selvaggi attraverso erba alta, ghiaia sciolta e fango per raccogliere dati su come l’ATV ha interagito con un ambiente fuoristrada impegnativo.
Hanno guidato l’ATV pesantemente strumentato in modo aggressivo a velocità fino a 30 miglia all’ora. Sono scivolati in curva, l’hanno portato su e giù per le colline e l’hanno persino bloccato nel fango, il tutto mentre raccolgono dati come video, velocità di ciascuna ruota e la quantità di ammortizzatori della sospensione che viaggiano da sette tipi di sensori.
Il set di dati risultante, chiamato TartanDrive , include circa 200.000 di queste interazioni nel mondo reale. I ricercatori ritengono che i dati siano il più grande set di dati di guida fuoristrada nel mondo reale, sia in termini di numero di interazioni che di tipi di sensori. Le cinque ore di dati potrebbero essere utili per addestrare un veicolo a guida autonoma alla navigazione fuoristrada.
“A differenza della guida su strada autonoma, la guida fuoristrada è più impegnativa perché devi comprendere le dinamiche del terreno per guidare in sicurezza e guidare più velocemente”, ha affermato Wenshan Wang , uno scienziato del progetto presso il Robotics Institute (RI).
Il lavoro precedente sulla guida fuoristrada ha spesso comportato mappe annotate, che forniscono etichette come fango, erba, vegetazione o acqua per aiutare il robot a comprendere il terreno. Ma questo tipo di informazioni non è spesso disponibile e, anche quando lo è, potrebbe non essere utile. Un’area della mappa etichettata come “fango”, ad esempio, può essere percorribile o meno. I robot che capiscono le dinamiche possono ragionare sul mondo fisico.
Il team di ricerca ha scoperto che i dati dei sensori multimodali raccolti per TartanDrive hanno consentito loro di costruire modelli di previsione superiori a quelli sviluppati con dati più semplici e non dinamici. Guidare in modo aggressivo ha anche spinto l’ATV in un regno delle prestazioni in cui la comprensione della dinamica è diventata essenziale, ha affermato Samuel Triest, uno studente del secondo anno di master in robotica.
“Le dinamiche di questi sistemi tendono a diventare più impegnative man mano che si aggiunge più velocità”, ha affermato Triest, autore principale del documento risultante dal team. “Guida più veloce, rimbalzi su più cose. Molti dei dati che eravamo interessati a raccogliere erano questa guida più aggressiva, pendii più impegnativi e vegetazione più fitta perché è qui che alcune delle regole più semplici iniziano a sgretolarsi”.
Sebbene la maggior parte del lavoro sui veicoli a guida autonoma si concentri sulla guida su strada, le prime applicazioni saranno probabilmente fuori strada in aree ad accesso controllato, dove il rischio di collisioni con persone o altri veicoli è limitato. I test del team sono stati eseguiti in un sito vicino a Pittsburgh che il National Robotics Engineering Center della CMU utilizza per testare veicoli fuoristrada autonomi. Gli esseri umani guidavano l’ATV, sebbene utilizzassero un sistema drive-by-wire per controllare lo sterzo e la velocità.
“Stavamo costringendo l’essere umano a passare attraverso la stessa interfaccia di controllo del robot”, ha detto Wang. “In questo modo, le azioni intraprese dall’uomo possono essere utilizzate direttamente come input per come dovrebbe agire il robot”.
Trieste presenterà lo studio TartanDrive alla International Conference on Robotics and Automation (ICRA) questa settimana a Filadelfia. Oltre a Trieste e Wang, il gruppo di ricerca comprendeva Sebastian Scherer , professore associato di ricerca presso il RI; Aaron Johnson , assistente professore di ingegneria meccanica; Sean J. Wang, un dottorato di ricerca studente in ingegneria meccanica; e Matthew Sivaprakasam, uno studente di ingegneria informatica all’Università di Pittsburgh. Il loro articolo è stato nominato per l’Outstanding Learning Paper dell’ICRA.
