Predicting Energy Consumption and Traversal Time of Ground Robots for Outdoor Navigation on Multiple Types of Terrain

要約

地上ロボットの屋外ナビゲーション機能は近年大幅に向上しており、さまざまな設定で新たな潜在的な用途が開かれています。
環境のコストベースの表現は、移動時間やエネルギー消費などのさまざまな目的に基づいて最適化されたパスを取得するために、パス計画ドメインで頻繁に使用されます。
ただし、このようなコスト表現を取得することは、特に地形タイプや傾斜角が多様な屋外環境では依然として面倒です。
この論文では、データ駆動型のアプローチを使用して、エネルギー消費と移動時間という 2 つの最適化目標をサポートするさまざまな屋外地形タイプのコスト表現を開発することで、この問題に対処します。
教師あり機械学習モデルをトレーニングします。その入力はパスに沿って抽出された環境データで構成され、出力は予測されたエネルギー消費量と移動時間です。
このモデルは ResNet ニューラル ネットワーク アーキテクチャに基づいており、フィールドで記録されたデータを使用してトレーニングされます。
さまざまなタイプの地形における提案された方法の誤差は、グラウンド トゥルース データの 11\% 以内です。
さまざまな種類の地形に対して、既存のアプローチよりも優れたパフォーマンスと一般化を示すために、ベースライン手法との比較が行われます。

要約(オリジナル)

The outdoor navigation capabilities of ground robots have improved significantly in recent years, opening up new potential applications in a variety of settings. Cost-based representations of the environment are frequently used in the path planning domain to obtain an optimized path based on various objectives, such as traversal time or energy consumption. However, obtaining such cost representations is still cumbersome, particularly in outdoor settings with diverse terrain types and slope angles. In this paper, we address this problem by using a data-driven approach to develop a cost representation for various outdoor terrain types that supports two optimization objectives, namely energy consumption and traversal time. We train a supervised machine learning model whose inputs consists of extracted environment data along a path and whose outputs are the predicted energy consumption and traversal time. The model is based on a ResNet neural network architecture and trained using field-recorded data. The error of the proposed method on different types of terrain is within 11\% of the ground truth data. To show that it performs and generalizes better than currently existing approaches on various types of terrain, a comparison to a baseline method is made.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google