Differentiable-Optimization Based Neural Policy for Occlusion-Aware Target Tracking

在复杂和动态的环境中追踪目标是具有挑战性的，但是在空中摄影等应用中是核心组成部分。环境中的障碍物不仅会造成碰撞风险，还可能使机器人的视野中目标被遮挡。此外，目标未来的轨迹可能是未知的，只能估计其当前状态。在本文中，我们提出了一种学习的概率神经策略，用于安全、无遮挡地追踪目标。 我们工作的核心创新源于我们的策略网络结构，它将基于条件变分自编码器（CVAE）的生成建模与可微分优化层相结合。CVAE的作用是提供基本轨迹分布，然后通过优化层将其投影到学习的可行集上。此外，CVAE网络的权重和可微分优化的参数都可以通过演示轨迹进行端到端的学习。 我们在以下方面改进了最新技术：我们展示了我们学习的策略在遮挡/碰撞避免能力和计算时间方面优于现有最新技术。其次，我们展示了广泛的消融实验，说明我们学习流程的不同组成部分如何对整个跟踪任务做出贡献。我们还展示了我们的方法在资源受限的硬件上（如NVIDIA Jetson TX2）的实时性能。最后，我们的学习策略也可以视为高度杂乱环境中导航的反应式规划器。

论文试图解决如何在动态环境下安全、无遮挡地跟踪目标的问题，特别是在航拍等领域应用中的挑战。

论文提出了一种基于条件变分自编码器（CVAE）和可微分优化层的概率神经策略，将生成模型和优化层相结合，实现了跟踪目标的安全、无遮挡。

论文通过实验表明，所提出的策略在避免遮挡和碰撞方面优于现有的最先进技术，并且计算时间更短。论文还进行了详细的剖析，阐明了学习流程的不同组成部分如何对整个跟踪任务做出贡献。研究人员还展示了论文方法在资源受限的硬件上的实时性能，如NVIDIA Jetson TX2。最后，论文认为他们所提出的学习策略也可以作为高度杂乱环境中导航的反应式规划器。

在相关领域的最新研究中，还有一些相关的研究，例如：“A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles”和“Probabilistic Object Detection: Definition and Evaluation”。