Learned Risk Metric Maps for Kinodynamic Systems

要約

構造化されていない部分的に観測された環境で動作する高次元の動的システムの一貫したリスク メトリックをリアルタイムで推定するための学習済みリスク メトリック マップ (LRMM) を提示します。
LRMM モデルは、設計とトレーニングが簡単です。必要なのは、障害セットの手続き型生成、状態と制御のサンプリング、関数近似器の監視付きトレーニングだけです。これにより、任意のシステム ダイナミクスと障害セットに広く適用できます。
並列自律設定では、障害のある環境で無謀に運転する高速移動の車のようなロボットの衝突確率を迅速に推測するモデルの能力を示します。
LRMM エージェントが介入し、車両を制御し、衝突を回避できるようにします。
このタイム クリティカルなシナリオでは、LRMM が、コントロール バリア関数 (CBF) とハミルトン-ヤコビ到達可能性 (HJ リーチ) に基づく代替安全アルゴリズムよりも 20 ～ 100 倍速くリスク指標を評価できることを示し、5 ～ 15\% につながります。
CBF や HJ リーチよりも LRMM エージェントによる障害物の衝突が少ない。
このパフォーマンスの向上は、LRMM モデルが障害物のローカル/部分的な観測にしかアクセスできないのに対し、CBF および HJ-reach エージェントには特権/グローバル情報が付与されているという事実にもかかわらずもたらされます。
また、私たちのモデルは、遮られた屋内環境で動作する 12 次元のクアッドローター システムでも同様にトレーニングできることを示しています。
LRMM コードベースは https://github.com/mit-drl/pyrmm で提供されています。

要約(オリジナル)

We present Learned Risk Metric Maps (LRMM) for real-time estimation of coherent risk metrics of high dimensional dynamical systems operating in unstructured, partially observed environments. LRMM models are simple to design and train — requiring only procedural generation of obstacle sets, state and control sampling, and supervised training of a function approximator — which makes them broadly applicable to arbitrary system dynamics and obstacle sets. In a parallel autonomy setting, we demonstrate the model’s ability to rapidly infer collision probabilities of a fast-moving car-like robot driving recklessly in an obstructed environment; allowing the LRMM agent to intervene, take control of the vehicle, and avoid collisions. In this time-critical scenario, we show that LRMMs can evaluate risk metrics 20-100x times faster than alternative safety algorithms based on control barrier functions (CBFs) and Hamilton-Jacobi reachability (HJ-reach), leading to 5-15\% fewer obstacle collisions by the LRMM agent than CBFs and HJ-reach. This performance improvement comes in spite of the fact that the LRMM model only has access to local/partial observation of obstacles, whereas the CBF and HJ-reach agents are granted privileged/global information. We also show that our model can be equally well trained on a 12-dimensional quadrotor system operating in an obstructed indoor environment. The LRMM codebase is provided at https://github.com/mit-drl/pyrmm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google