Proprioception ist alles, was Sie brauchen: Geländeklassifikation für boreale Wälder

Neuere Arbeiten im Bereich der Feldrobotik haben die Bedeutung von Robustheit gegenüber unterschiedlichen Geländetypen hervorgehoben. Besonders boreale Wälder beherbergen zahlreiche Geländetypen, die die Mobilität beeinträchtigen und für die autonome Navigation außerhalb von Straßen berücksichtigt werden müssen. Zudem gilt die boreale Zone als eine der größten Landlebensräume der Erde, in der autonome Fahrzeuge künftig zunehmend eingesetzt werden sollen. In diesem Beitrag greifen wir dieses Problem an, indem wir BorealTC vorstellen – einen öffentlich verfügbaren Datensatz für die propriozeptive Terrain-Klassifikation (TC). Der Datensatz wurde mit einem Husky A200 aufgezeichnet und umfasst 116 Minuten an Daten aus einem Inertial Measurement Unit (IMU), Motorstrom und Rad-Encoder, wobei der Fokus auf typischen borealen Waldgeländen wie Schnee, Eis und lehmiger Schotterboden liegt. Durch die Kombination unseres Datensatzes mit einem weiteren, state-of-the-art-Datensatz evaluieren wir sowohl ein Convolutional Neural Network (CNN) als auch die neuartige Zustandsraummodell-basierte Architektur Mamba für die TC-Aufgabe. Interessanterweise zeigen wir, dass CNN auf jedem einzelnen Datensatz die bessere Leistung erzielt, Mamba jedoch bei Training auf der Kombination beider Datensätze eine höhere Genauigkeit erreicht. Zudem demonstrieren wir, dass Mamba bei steigender Datenmenge ein größeres Lernpotenzial besitzt als ein CNN. Wir zeigen, dass die Kombination zweier TC-Datensätze einen latenten Raum erzeugt, der interpretierbare Eigenschaften der Geländetypen widerspiegelt. Außerdem diskutieren wir die Implikationen der Datensatzfusion für die Klassifikation. Quellcode und Datensatz sind öffentlich über folgenden Link verfügbar: https://github.com/norlab-ulaval/BorealTC.