Context-Conditional Navigation with a Learning-Based Terrain- and Robot-Aware Dynamics Model

要約

自律ナビゲーション設定では、いくつかの量が変動する可能性があります。
摩擦係数などの地形特性は、ロボットの位置に応じて時間の経過とともに変化する場合があります。
また、ロボットのダイナミクスは、たとえばペイロードの違い、システムの質量の変化、磨耗、アクチュエータのゲインや関節の摩擦の変化などによって変化する可能性があります。
したがって、自律エージェントはそのような変化に適応できる必要があります。
この論文では、前述の変動に適応できる、TRADYN と呼ばれる新しい確率的、地形およびロボット認識型順動力学モデルを開発します。
これは、ニューラル プロセスに基づくメタ学習フォワード ダイナミクス モデルの最近の進歩に基づいています。
一輪車のようなロボットと、空間的に異なる摩擦係数を持つさまざまな地形レイアウトを使用したシミュレートされた 2D ナビゲーション設定で、この方法を評価します。
私たちの実験では、提案されたモデルは、非適応アブレーション モデルと比較して、長期軌道予測タスクの予測誤差が低いことがわかりました。
また、ナビゲーション計画の下流タスクでもモデルを評価します。これにより、ロボットと地形の特性を考慮して制御効率の高い経路を計画する際のパフォーマンスが向上することが実証されます。

要約(オリジナル)

In autonomous navigation settings, several quantities can be subject to variations. Terrain properties such as friction coefficients may vary over time depending on the location of the robot. Also, the dynamics of the robot may change due to, e.g., different payloads, changing the system’s mass, or wear and tear, changing actuator gains or joint friction. An autonomous agent should thus be able to adapt to such variations. In this paper, we develop a novel probabilistic, terrain- and robot-aware forward dynamics model, termed TRADYN, which is able to adapt to the above-mentioned variations. It builds on recent advances in meta-learning forward dynamics models based on Neural Processes. We evaluate our method in a simulated 2D navigation setting with a unicycle-like robot and different terrain layouts with spatially varying friction coefficients. In our experiments, the proposed model exhibits lower prediction error for the task of long-horizon trajectory prediction, compared to non-adaptive ablation models. We also evaluate our model on the downstream task of navigation planning, which demonstrates improved performance in planning control-efficient paths by taking robot and terrain properties into account.

arxiv情報

著者 Suresh Guttikonda,Jan Achterhold,Haolong Li,Joschka Boedecker,Joerg Stueckler
発行日 2023-07-20 13:29:27+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO パーマリンク