Probabilistic Traversability Model for Risk-Aware Motion Planning in Off-Road Environments

要約

オフロード ナビゲーションにおける重要な課題は、視覚的に類似した地形や同じセマンティック クラスに属する地形であっても、トラクション特性が大幅に異なる場合があることです。
既存の研究では通常、車輪のスリップがないと仮定するか、動作計画に予想されるトラクションを使用しますが、地形のトラクションの不確実性が高い場合、予測された軌道は実際のパフォーマンスをあまり示しません。
対照的に、この研究では、一輪車の動力学における牽引パラメータの経験的分布を使用して地形の通過性を分析することを提案しています。この分布は、自己教師形式でニューラル ネットワークによって学習できます。
確率的トラクション モデルは、最悪の場合の予想コストとトラクションを考慮した 2 つのリスクを意識したコスト公式を導き出します。
学習されたモデルが目に見えない環境に一般化できるようにするために、信頼性の低い予測につながる特徴を持つ地形は、トレーニングされたネットワークの潜在空間に適合する密度推定器によって検出され、計画中に補助ペナルティによって回避されます。
シミュレーション結果は、提案されたアプローチが、ナビゲーションの成功率と完了時間の両方において、滑りがないと仮定したり、予想される牽引力を使用したりする既存の研究よりも優れていることを示しています。
さらに、学習されたトラクション モデルが新しい環境で使用される場合、密度ベースの信頼スコアが低い地形を回避することで、成功率が最大 30% 向上します。

要約(オリジナル)

A key challenge in off-road navigation is that even visually similar terrains or ones from the same semantic class may have substantially different traction properties. Existing work typically assumes no wheel slip or uses the expected traction for motion planning, where the predicted trajectories provide a poor indication of the actual performance if the terrain traction has high uncertainty. In contrast, this work proposes to analyze terrain traversability with the empirical distribution of traction parameters in unicycle dynamics, which can be learned by a neural network in a self-supervised fashion. The probabilistic traction model leads to two risk-aware cost formulations that account for the worst-case expected cost and traction. To help the learned model generalize to unseen environment, terrains with features that lead to unreliable predictions are detected via a density estimator fit to the trained network’s latent space and avoided via auxiliary penalties during planning. Simulation results demonstrate that the proposed approach outperforms existing work that assumes no slip or uses the expected traction in both navigation success rate and completion time. Furthermore, avoiding terrains with low density-based confidence score achieves up to 30% improvement in success rate when the learned traction model is used in a novel environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google