要約
オフロード環境での高速自動運転は、さまざまな用途に計り知れない可能性を秘めていますが、車両と地形の相互作用の複雑さによる課題も伴います。
このような環境では、車両がその動きを予測し、地形の高さの変化などの環境変化に応じて制御を積極的に調整することが重要です。
この目的を達成するために、固有受容情報と外受容情報の両方を条件とする地形認識運動力学モデルを学習する方法を提案します。
提案されたモデルは、6 自由度の動きの信頼できる予測を生成し、トレーニング中にグラウンド トゥルース フォース データを必要とせずに接触相互作用を推定することもできます。
これにより、不安定な動き、安全でない相互作用、モデルから得られる高レベルの不確実性によってサンプリングされた軌道にペナルティを与える適切なコスト関数設計を通じて、安全で堅牢なモデル予測コントローラーの設計が可能になります。
模擬オフロードトラックでの実験を通じて私たちのアプローチの有効性を実証し、私たちが提案したモデルとコントローラーのペアがベースラインを上回り、制御障害のない堅牢な高速走行性能を保証することを示しています。
要約(オリジナル)
High-speed autonomous driving in off-road environments has immense potential for various applications, but it also presents challenges due to the complexity of vehicle-terrain interactions. In such environments, it is crucial for the vehicle to predict its motion and adjust its controls proactively in response to environmental changes, such as variations in terrain elevation. To this end, we propose a method for learning terrain-aware kinodynamic model which is conditioned on both proprioceptive and exteroceptive information. The proposed model generates reliable predictions of 6-degree-of-freedom motion and can even estimate contact interactions without requiring ground truth force data during training. This enables the design of a safe and robust model predictive controller through appropriate cost function design which penalizes sampled trajectories with unstable motion, unsafe interactions, and high levels of uncertainty derived from the model. We demonstrate the effectiveness of our approach through experiments on a simulated off-road track, showing that our proposed model-controller pair outperforms the baseline and ensures robust high-speed driving performance without control failure.
arxiv情報
| 著者 | Hojin Lee,Taekyung Kim,Jungwi Mun,Wonsuk Lee |
| 発行日 | 2023-09-22 07:53:08+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google