Core Concepts
センシング不確実性下での効果的な長距離経路計画に焦点を当て、DREAMSアルゴリズムが他の手法よりも優れていることを示す。
Abstract
DARPA RACERプログラムからの大規模な実世界データセットを使用して、オフロード自動車のダイナミックリプランニングアルゴリズムを評価。
センシング不確実性に対処するために、多重サンプル後方採用アプローチを採用。
DREAMSは、複数の可能な最適パスと世界に対する推定分布を考慮し、効率的な経路計画を実現。
プラン提案者と受入者アプローチに基づいてアルゴリズムを要約し、各手法のパフォーマンス比較。
Introduction
オフロード自動運転課題に焦点を当てる。
自律型オフロード車両が長距離移動中に直面するセンシング不確実性問題。
Sensing Uncertainty in Off-Road Driving
オフロードドライブ時のセンシング不確実性が長距離経路計画に与える影響。
環境内で発生する偽障害物や偽空間が危険な衝突や迂回経路へ導く可能性。
Dynamic Replanning Algorithms Evaluation
DARPA RACERプログラムから収集されたデータセット上でDREAMSアルゴリズムの評価。
多重サンプル後方採用戦略が他手法よりも効果的であることを示す。
Comparison with Existing Approaches
DRPSおよびSampled A*との比較。DREAMSは衝突コストや総合トラバーサル時間で優れたパフォーマンスを発揮。
Experimental Setup and Results
実世界データセット上で行われたシミュレーション実験結果。
DREAMS-FixedおよびDREAMS-Adaptive間の比較。異なる条件下でのパフォーマンス差異。
Stats
オートノミー・オフロード・ドライビング課題では、100×100メートルの環境内で速度1〜10m/sで移動します。
Quotes
"Uncertainty is the core challenge of long-range planning."
"DREAMS enables reasoning not just over the distribution of worlds, but also over additional parameters such as traversal speed."