This paper describes a resilient navigation and planning algorithm for the high-speed Indy autonomous challenge (IAC). The IAC is a competition with full-scale autonomous race cars that drives up to 290 km/h (180 mph). However, owing to race cars' high-speed and heavy vibration, GPS/INS system is prone to degradation, causing critical localization errors and leading to serious accidents. To this end, we propose a robust navigation system to implement a multi-sensor fusion Kalman filter. We present the degradation identification based on probabilistic approaches to computing optimal measurement values for the Kalman filter correction step. Simultaneously, we present a resilient navigation system so that the race car follows the race track in the event of localization failure. In addition, an optimal path planning algorithm for obstacle avoidance is proposed. Considering the original optimal racing line, obstacles, and vehicle dynamics, we propose a road-graph-based path planning algorithm to ensure that our race car drives in in-bounded conditions. The designed localization system was experimentally evaluated to determine its ability to handle the degraded data and prevent serious crashing accidents during high-speed driving. Finally, we describe the successful completion of the obstacle avoidance challenge at the Indianapolis Motor Speedway (IMS) in October 2021.


翻译:本文描述了高速印度群岛自治挑战的弹性导航和规划算法(IAC)。IAC是一个与全自动自动赛车竞争的竞争,车速高达290公里/小时(180米/小时)。然而,由于赛车高速和高振动,GPS/INS系统容易退化,造成关键的本地化错误,并导致严重事故。为此,我们提出一个强大的导航系统,以实施多传感器聚合卡尔曼过滤器。我们介绍了基于概率方法的退化识别方法,以计算卡尔曼过滤器修正步骤的最佳测量值。同时,我们介绍了一个弹性导航系统,以便在本地化失败时,赛车沿赛道。此外,还提出了避免障碍的最佳路径规划算法。考虑到最初的最佳赛道、障碍和车辆动态,我们提议了一个基于道路的路径规划算法,以确保我们的汽车在边境条件下驱动器。我们设计的本地化系统进行了实验性评估,以确定其处理退化数据和防止高速驾驶期间发生严重事故的能力。最后,我们描述了印度在10月20日成功完成避免障碍的进度。我们描述了印度在10月20日成功完成避免障碍的挑战。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年10月19日
Arxiv
24+阅读 · 2021年6月25日
Arxiv
12+阅读 · 2021年6月21日
VIP会员
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
相关基金
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员