LEARNEST: LEARNing Enhanced Model-based State ESTimation for Robots using Knowledge-based Neural Ordinary Differential Equations

要約

状態推定は、多くのロボティクス アプリケーションで重要な側面です。
この作業では、状態推定アルゴリズムで使用されるダイナミクス モデルを強化することにより、ロボット システムの正確な状態推定値を取得するタスクを検討します。
移動地平線推定 (MHE) やアンセンテッド カルマン フィルター (UKF) などの既存のフレームワークは、非線形ダイナミクスと測定モデルを組み込むための柔軟性を提供します。
ただし、これは、状態推定の精度を保証するために、これらのアルゴリズム内のダイナミクス モデルが十分に正確でなければならないことを意味します。
ダイナミクス モデルを強化し、推定精度を向上させるために、知識ベースのニューラル常微分方程式 (KNODE) として知られるディープ ラーニング フレームワークを利用します。
KNODE フレームワークは、以前の知識をトレーニング手順に組み込み、以前の第一原理モデルとニューラル常微分方程式 (NODE) モデルを融合することによって、正確なハイブリッド モデルを合成します。
提案された LEARNEST フレームワークでは、データ駆動型モデルを、KNODE-MHE および KNODE-UKF と呼ばれる 2 つの新しいモデルベースの状態推定アルゴリズムに統合します。
これら 2 つのアルゴリズムは、多くのロボット アプリケーションで従来の対応するアルゴリズムと比較されます。
部分測定を使用したカートポール システムの状態推定、地上ロボットの位置特定、クワッドローターの状態推定。
実世界の実験データを使用したシミュレーションとテストを通じて、提案された学習強化状態推定フレームワークの汎用性と有効性を示します。

要約(オリジナル)

State estimation is an important aspect in many robotics applications. In this work, we consider the task of obtaining accurate state estimates for robotic systems by enhancing the dynamics model used in state estimation algorithms. Existing frameworks such as moving horizon estimation (MHE) and the unscented Kalman filter (UKF) provide the flexibility to incorporate nonlinear dynamics and measurement models. However, this implies that the dynamics model within these algorithms has to be sufficiently accurate in order to warrant the accuracy of the state estimates. To enhance the dynamics models and improve the estimation accuracy, we utilize a deep learning framework known as knowledge-based neural ordinary differential equations (KNODEs). The KNODE framework embeds prior knowledge into the training procedure and synthesizes an accurate hybrid model by fusing a prior first-principles model with a neural ordinary differential equation (NODE) model. In our proposed LEARNEST framework, we integrate the data-driven model into two novel model-based state estimation algorithms, which are denoted as KNODE-MHE and KNODE-UKF. These two algorithms are compared against their conventional counterparts across a number of robotic applications; state estimation for a cartpole system using partial measurements, localization for a ground robot, as well as state estimation for a quadrotor. Through simulations and tests using real-world experimental data, we demonstrate the versatility and efficacy of the proposed learning-enhanced state estimation framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google