EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy

要約

オフロードでの高速ナビゲーションを実現するには、良好なトラクションで地形を横断することが重要です。
既存の手法では、地形の特徴に基づいてコストを手動で設計するのではなく、自己監視によってデータから地形の特性を直接学習しますが、学習されたモデルの不確実性によるリスクを適切に定量化し、軽減するという課題が残っています。
この研究では、離散的なトラクション分布とトラクション予測子の潜在的な特徴の確率密度を学習することにより、偶発的不確実性と認識的不確実性の両方を効率的に定量化します。
証拠深層学習を活用して、ネットワーク出力を使用してディリクレ分布をパラメータ化し、学習精度とナビゲーション パフォーマンスを向上させる閉形式を使用した、不確実性を考慮した新しい二乗アース ムーバーの距離損失を提案します。
提案されたリスク認識プランナーは、偶然の不確実性を処理するために、最悪の場合の予期されるトラクションを使用して状態の軌道をシミュレートし、認識上の不確実性が高い地形を移動する軌道にペナルティを与えます。
私たちのアプローチは、シミュレーションや車輪付きロボットや四足ロボットで広範囲に検証されており、滑りがないことを前提としたり、予想されるトラクションを想定したり、最悪の場合の予想コストを最適化したりする方法と比較して、ナビゲーション パフォーマンスが向上していることが示されています。

要約(オリジナル)

Traversing terrain with good traction is crucial for achieving fast off-road navigation. Instead of manually designing costs based on terrain features, existing methods learn terrain properties directly from data via self-supervision, but challenges remain to properly quantify and mitigate risks due to uncertainties in learned models. This work efficiently quantifies both aleatoric and epistemic uncertainties by learning discrete traction distributions and probability densities of the traction predictor’s latent features. Leveraging evidential deep learning, we parameterize Dirichlet distributions with the network outputs and propose a novel uncertainty-aware squared Earth Mover’s distance loss with a closed-form expression that improves learning accuracy and navigation performance. The proposed risk-aware planner simulates state trajectories with the worst-case expected traction to handle aleatoric uncertainty, and penalizes trajectories moving through terrain with high epistemic uncertainty. Our approach is extensively validated in simulation and on wheeled and quadruped robots, showing improved navigation performance compared to methods that assume no slip, assume the expected traction, or optimize for the worst-case expected cost.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google