Improving Obstacle Avoidance in End-to-End Deep Learning by Incremental Training on Collisions
02.03.2026
Die Hindernisvermeidung ist eine wesentliche Funktion für autonome Roboter. Obwohl es möglich ist, End-to-End-Deep-Learning-Modelle für diese Aufgabe zu trainieren, ist die Leistung nicht immer mit spezialisierten Sensoren konkurrenzfähig, und die Notwendigkeit von menschlich generierten Trainingsdaten macht den Aufbau solcher Systeme komplex und kostspielig. Hier schlagen wir eine inkrementelle Trainingsmethode vor, die bei dem in [12] beschriebenen Modell ansetzt. Durch sukzessives inkrementelles Trainieren des Modells anhand von Stereobildern, die unmittelbar vor beobachteten Kollisionen aufgenommen wurden, kann die Kollisionsrate bereits nach wenigen Iterationen deutlich reduziert werden. Da das Training relativ früh beendet wird, ist der Rechenaufwand zudem viel geringer als bei einem traditionelleren vollständigen Training anhand der ursprünglichen und der neuen Kollisions-Stereobilder. Es sind keine von Menschen generierten Trainingsdaten erforderlich und der menschliche Aufwand ist minimal. Ein Test mit einem anhand aller Daten neu trainierten Modell könnte sogar zeigen, dass unsere Methode tatsächlich deutlich besser abschneidet als ein vollständiges Training.
Seewald, A.K. (2026): Improving Obstacle Avoidance in End-to-End Deep Learning by Incremental Training on Collisions. In Röning, J., & Filipe, J. (Eds.). (2026). Robotics, Computer Vision and Intelligent Systems: 6th International Conference, ROBOVIS 2026, Marbella, Spain, March 2-4, 2026, Proceedings. Springer Nature.