A GP-based Robust Motion Planning Framework for Agile Autonomous Robot Navigation and Recovery in Unknown Environments

要約

自律移動ロボットの場合、環境やシステムモデルの不確実性が運動計画パイプラインの失敗につながり、衝突の可能性がある。高水準のロバストな自律性を達成するためには、ロボットはこのような失敗を事前に予測し、そこから回復できる必要がある。この目的のために、我々は、将来の運動計画失敗のリスクをプロアクティブに検出するためのガウス過程（GP）ベースのモデルを提案する。このリスクがある閾値を超えると、ロボットがゴールに向かって継続できる安全な状態を見つけるために、同じGPモデルを活用した回復動作がトリガーされる。提案するアプローチはシミュレーションのみで訓練され、異なるロボットプラットフォーム上の実環境に一般化することができる。シミュレーションと物理実験により、我々のフレームワークが、機敏な動きを生成しつつ、プランナの失敗を予測し、プランナが成功する可能性が高い状態までロボットを回復させることができることが実証された。

要約(オリジナル)

For autonomous mobile robots, uncertainties in the environment and system model can lead to failure in the motion planning pipeline, resulting in potential collisions. In order to achieve a high level of robust autonomy, these robots should be able to proactively predict and recover from such failures. To this end, we propose a Gaussian Process (GP) based model for proactively detecting the risk of future motion planning failure. When this risk exceeds a certain threshold, a recovery behavior is triggered that leverages the same GP model to find a safe state from which the robot may continue towards the goal. The proposed approach is trained in simulation only and can generalize to real world environments on different robotic platforms. Simulations and physical experiments demonstrate that our framework is capable of both predicting planner failures and recovering the robot to states where planner success is likely, all while producing agile motion.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL