Risk-Sensitive Extended Kalman Filter

要約

ロボット工学において、推定の不確実性に直面して堅牢なアルゴリズムを設計することは困難な作業です。
実際、コントローラーは多くの場合、推定の不確実性を考慮せず、最も可能性の高い推定状態のみに依存します。
その結果、環境やロボットのダイナミクスの突然の変化が壊滅的な動作を引き起こす可能性があります。
この研究では、出力フィードバック モデル予測制御 (MPC) を安全に実行できる、リスクに敏感な拡張カルマン フィルターを紹介します。
このフィルターは、その推定を制御目標に適応させます。
MPC コントローラーから得られる値関数に関して悲観的な推定を行うことにより、このフィルターは、標準の拡張カルマン フィルター (EKF) と比較して、不確実性の段階でコントローラーの堅牢性が向上します。
さらに、フィルターは EKF と同じ複雑性を備えているため、リアルタイムのモデル予測制御に使用できます。
この論文では、シミュレーションにおける平面ドローンと産業用マニピュレーターの非線形モデル予測制御ループ、および実際の四足ロボットの外力推定タスクで使用した場合の、提案されたフィルターのリスクに敏感な動作を評価します。
これらの実験は、不確実性に直面してもパフォーマンスを大幅に向上させるアプローチの能力を実証しています。

要約(オリジナル)

In robotics, designing robust algorithms in the face of estimation uncertainty is a challenging task. Indeed, controllers often do not consider the estimation uncertainty and only rely on the most likely estimated state. Consequently, sudden changes in the environment or the robot’s dynamics can lead to catastrophic behaviors. In this work, we present a risk-sensitive Extended Kalman Filter that allows doing output-feedback Model Predictive Control (MPC) safely. This filter adapts its estimation to the control objective. By taking a pessimistic estimate concerning the value function resulting from the MPC controller, the filter provides increased robustness to the controller in phases of uncertainty as compared to a standard Extended Kalman Filter (EKF). Moreover, the filter has the same complexity as an EKF, so that it can be used for real-time model-predictive control. The paper evaluates the risk-sensitive behavior of the proposed filter when used in a nonlinear model-predictive control loop on a planar drone and industrial manipulator in simulation, as well as on an external force estimation task on a real quadruped robot. These experiments demonstrate the abilities of the approach to improve performance in the face of uncertainties significantly.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google