KalmanNet for autonomous racing
| Autor: | López Escoriza, Adrià |
|---|---|
| Přispěvatelé: | Revach, Guy, Vidal Manzano, José, Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions |
| Jazyk: | angličtina |
| Rok vydání: | 2021 |
| Předmět: |
Estimación de velocidad
Informàtica::Intel·ligència artificial::Aprenentatge automàtic [Àrees temàtiques de la UPC] Enginyeria de la telecomunicació::Telemàtica i xarxes d'ordinadors [Àrees temàtiques de la UPC] Robotics Neural networks (Computer science) Machine Learning Estimació d'un paràmetre Robots mòbils Aprendizaje Autónomo Aprenentatge automàtic Parameter estimation Mobile robots Xarxes neuronals (Informàtica) Velocity Estimation Robótica |
| Zdroj: | UPCommons. Portal del coneixement obert de la UPC Universitat Politècnica de Catalunya (UPC) |
| Popis: | Real-time velocity estimation is a core task in autonomous driving, which is carried out based on available raw sensors such as wheel odometry and motor currents. When the system dynamics and observations can be modeled together as a fully known linear Gaussian state-space (SS) model, the celebrated Kalman filter (KF) is a low complex- ity optimal solution. However, both linearity of the underlying SS model and accurate knowledge of it are often not encountered in practice. This work proposes to estimate the velocity using a hybrid data-driven (DD) implementation of the KF for non-linear systems, coined KalmanNet. KalmanNet integrates a compact recurrent neural network in the flow of the classical KF, retaining low computational complexity, high data ef- ficiency, and interpretability, while enabling operation in non-linear SS models with partial information. We apply KalmanNet on pilatus driverless, an autonomous racing car as part of the Formula Student (FS) Driverless competition. Our results demon- strate the ability of KalmanNet to outperform a state-of-the-art implementation of the KF that uses a postulated SS model, while being applicable on the vehicle control unit used by the car. La estimación de la velocidad en tiempo real es una tarea fundamental en la conducción autónoma, que se lleva a cabo a partir de los sensores disponibles, como la odometría de las ruedas y las corrientes del motor. Cuando la dinámica del sistema y las observaciones pueden modelarse conjuntamente como un modelo lineal gaussiano de espacio de estados (SS) totalmente conocido, el célebre filtro de Kalman (KF) es una solución óptima de baja complejidad. Sin embargo, tanto la linealidad del modelo SS subyacente como el conocimiento preciso del mismo no suelen darse en la práctica. Este trabajo propone estimar la velocidad utilizando una implementación híbrida basada en datos (DD) y en el KF para sistemas no lineales, denominada KalmanNet. KalmanNet integra una red neuronal recurrente compacta en el flujo del KF clásico, conservando una baja complejidad computacional, alta efi ciencia e interpretabilidad, al tiempo que permite operar en modelos de SS no lineales con información parcial. Aplicamos KalmanNet en pilatus driverless, un coche de carreras autónomo que forma parte de la competición Formula Student (FS) Driverless. Nuestros resultados demuestran la capacidad de KalmanNet para superar una implementación de vanguardia del KF que utiliza un modelo de SS postulado, a la vez que es aplicable en la unidad de control del vehículo utilizada por el coche. L'estimació de la velocitat en temps real és una tasca fonamental en la conducció autònoma, que es porta a terme a partir dels sensors disponibles, com la odometría de les rodes i els corrents de l'motor. Quan la dinàmica de sistema i les observacions es poden modelar conjuntament com un model lineal gaussià d'espai d'estats (SS) totalment conegut, el cèlebre filtre de Kalman (KF) és una solució òptima de baixa complexitat. No obstant això, tant la linealitat de el model SS subjacent com el coneixement precís de la mateixa no solen donar-se en la pràctica. Aquest treball proposa estimar la velocitat fent servir un sistema híbrid basat en dades (DD) i el Kalman Filter per a sistemes no lineals, anomenada KalmanNet. KalmanNet integra una xarxa neuronal recurrent compacta en el flux de l'KF clàssic, conservant una baixa complexitat computacional, alta eficiència i interpretabilitat, al mateix temps que permet operar en models de SS no lineals amb informació parcial. Apliquem KalmanNet en Pilatus driverless, un cotxe de carreres autònom que forma part de la competició Formula Student (FS) driverless. Els nostres resultats demostren la capacitat d'KalmanNet per superar una implementació d'avantguarda del KF que utilitza un model de SS postulat, alhora que és aplicable a la unitat de control de el vehicle utilitzat pel cotxe. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|