Transfer learning v přenosu zkušeností s terénem mezi rozdílnými roboty

Abstract

Pro autonomní roboty nasazené v neznámemém prostředí je výhodné odhadovat prostupnost okolního terénu, jelikož správné odhadnutí prostupnosti může pomoci k naplánování lepší cesty vedoucí skrz terén. Tvorba modelu pro odhad prostupnosti pro každý dostupný robot je náročná, a proto je vhodné se pokusit znalosti sdílet mezi různými roboty. Avšak ve skupině heterogenních robotů nemůže být informace o prostupnosti sdílena přímo mezi jednotlivými roboty, protože členové skupiny mohou být vybaveni různými sensory, nebo jejich tělo může mít různou stavbu, a proto vnímají prostředí rozdílně. V této práci navrhujeme postup používající přenos informací, který zajistí přenesení modelu pro odhadování prostupnosti terénu mezi heterogenními roboty. Pro každý typ robotu je vytvořen samostatný model pro odhadování prostupnosti za pomoci konvoluční neuronové sítě, která odhaduje složitost prostupu terénem díky pozorování z exteroceptivních senzorů. Předtrénované konvoluční neuronové sítě odhadující prostupnost jsou přeneseny z robotu poskytujícího znalosti na robot, který další znalosti potřebuje. Poté, co je neuronová síť přenesena, nastane opětovné trénování sítě z dat nasbíraných robotem, který síť obdržel, což zajistí přizpůsobení skutečnostem v cílové oblasti své práce. Navržená metoda je otestována za pomoci heterogenních robotů, s kterými byly provedeny experimenty pro ověření funkce navrženého postupu pro přenášení znalostí o složitosti prostupu terénem.

For autonomous robots deployed in unknown environments, it is beneficial to reason about their traversability over the surrounding terrain, which can improve robots' future path-planning decisions. Creating a model assessing traversability for each robot is a challenging task, thus making it desirable to exchange the knowledge about traversability between various robots. However, in a team of heterogeneous robots, the models assessing traversability cannot be shared directly among the members, as robots can possess different morphology or sensory equipment and experience the terrain differently. In this thesis, we propose an approach using transfer learning capable of transferring models assessing traversability between heterogeneous robots. The individual traversability assessment models used by the particular robots are created using convolutional neural networks that assess the difficulty of traversal through terrain from observations of exteroceptive sensors. Pre-trained convolutional neural networks capable of assessing traversability are transferred between the robot from the source domain to the robot in the target domain to propagate the knowledge among heterogeneous robots. After transferring the neural network between the robots, the network is retrained again using data available in the target domain to be accommodated to the different tasks. Using real heterogeneous robots, we conducted experiments validating the feasibility of the proposed knowledge transfer approach.