L’ensemble de données TartanDrive est probablement le plus important pour les environnements hors route
Français
Suivez-nous sur notre page Facebook et notre canal Telegram
Des chercheurs de l’Université Carnegie Mellon ont emmené un véhicule tout-terrain dans des promenades sauvages à travers les hautes herbes, le gravier meuble et la boue pour recueillir des données sur la façon dont le VTT interagissait avec un environnement hors route difficile.
Ils ont conduit le VTT fortement instrumenté de manière agressive à des vitesses allant jusqu’à 30 milles à l’heure. Ils ont glissé dans les virages, l’ont monté et descendu des collines et l’ont même coincé dans la boue, tout en recueillant des données telles que la vidéo, la vitesse de chaque roue et la quantité de débattement de suspension à partir de sept types de capteurs.
L’ensemble de données résultant, appelé TartanDrive, comprend environ 200 000 de ces interactions dans le monde réel. Les chercheurs pensent que les données constituent le plus grand ensemble de données sur la conduite hors route multimodale dans le monde réel, à la fois en termes de nombre d’interactions et de types de capteurs. Les cinq heures de données pourraient être utiles pour entraîner un véhicule autonome à naviguer hors route.
“Contrairement à la conduite autonome dans la rue, la conduite hors route est plus difficile car vous devez comprendre la dynamique du terrain afin de conduire en toute sécurité et de conduire plus vite”, a déclaré Wenshan Wang, scientifique du projet au Robotics Institute (RI).
Les travaux antérieurs sur la conduite hors route impliquaient souvent des cartes annotées, qui fournissent des étiquettes telles que la boue, l’herbe, la végétation ou l’eau pour aider le robot à comprendre le terrain. Mais ce type d’information n’est pas souvent disponible et, même lorsqu’il l’est, peut ne pas être utile. Une zone cartographique étiquetée “boue”, par exemple, peut ou non être praticable. Les robots qui comprennent la dynamique peuvent raisonner sur le monde physique.
L’équipe de recherche a découvert que les données de capteurs multimodaux qu’ils ont recueillies pour TartanDrive leur ont permis de construire des modèles de prédiction supérieurs à ceux développés avec des données plus simples et non dynamiques. La conduite agressive a également poussé le VTT dans un domaine de performance où une compréhension de la dynamique est devenue essentielle, a déclaré Samuel Triest, étudiant de deuxième année à la maîtrise en robotique.
“La dynamique de ces systèmes a tendance à devenir plus difficile à mesure que vous ajoutez plus de vitesse”, a déclaré Triest, qui était l’auteur principal de l’article résultant de l’équipe. “Vous conduisez plus vite, vous rebondissez sur plus de choses. Une grande partie des données que nous souhaitions recueillir concernaient cette conduite plus agressive, des pentes plus difficiles et une végétation plus épaisse, car c’est là que certaines des règles les plus simples commencent à s’effondrer.”
Bien que la plupart des travaux sur les véhicules autonomes se concentrent sur la conduite dans la rue, les premières applications seront probablement hors route dans les zones à accès contrôlé, où le risque de collision avec des personnes ou d’autres véhicules est limité. Les tests de l’équipe ont été effectués sur un site près de Pittsburgh que le National Robotics Engineering Center de CMU utilise pour tester des véhicules tout-terrain autonomes. Les humains conduisaient le VTT, bien qu’ils utilisaient un système de conduite électrique pour contrôler la direction et la vitesse.
“Nous forcions l’humain à passer par la même interface de contrôle que le robot”, a déclaré Wang. “De cette façon, les actions que l’humain entreprend peuvent être utilisées directement comme entrée pour la façon dont le robot doit agir.”
Triest présentera l’étude TartanDrive à la Conférence internationale sur la robotique et l’automatisation (ICRA) cette semaine à Philadelphie. En plus de Triest et Wang, l’équipe de recherche comprenait Sebastian Scherer, professeur agrégé de recherche au RI; Aaron Johnson, professeur adjoint de génie mécanique; Sean J. Wang, un doctorat. étudiant en génie mécanique; et Matthew Sivaprakasam, étudiant en génie informatique à l’Université de Pittsburgh.
Source de l’histoire :
Matériaux fourni par L’université de Carnegie Mellon. Original écrit par Byron Spice. Remarque : Le contenu peut être modifié pour le style et la longueur.
