要約
スキッドステア車輪移動ロボット (SSWMR) は、オフロード自律用途にますます使用されています。
高速で旋回すると、これらのロボットは大幅な横滑りや滑りを起こす傾向があります。
この研究では、ガウス過程回帰 (GPR) とシグマ点変換を使用して、ロボットの速度に対するタイヤと地形の相互作用の非線形効果を確率論的に推定します。
GPR からの平均推定値を使用して、従来の運動学的な運動モデルよりも将来のロボットの姿勢をより正確に予測するデータ駆動型の動的運動モデルを提案します。
過去のロボット動作の履歴に基づいて凸型の最適化問題を効率的に解くことにより、GPR 拡張動作モデルは、これまで見たことのない地形条件に一般化されます。
提案された運動モデルからの出力分布は、確率的モデル予測制御などのローカル運動計画アプローチに使用でき、モデルの不確実性を利用して安全な決定を下すことができます。
現実世界のマルチテレイン SSWMR データセットのベンチマークに対する作業を検証します。
私たちの結果は、モデルが 3 つの異なる地形に一般化し、線形および角運動の予測における誤差を大幅に削減することを示しています。
添付のビデオに示されているように、提案されたアルゴリズムの堅牢性を実証するために、物理的なロボットで別の一連の実験を実行します。
要約(オリジナル)
Skid-Steer Wheeled Mobile Robots (SSWMRs) are increasingly being used for off-road autonomy applications. When turning at high speeds, these robots tend to undergo significant skidding and slipping. In this work, using Gaussian Process Regression (GPR) and Sigma-Point Transforms, we estimate the non-linear effects of tire-terrain interaction on robot velocities in a probabilistic fashion. Using the mean estimates from GPR, we propose a data-driven dynamic motion model that is more accurate at predicting future robot poses than conventional kinematic motion models. By efficiently solving a convex optimization problem based on the history of past robot motion, the GPR augmented motion model generalizes to previously unseen terrain conditions. The output distribution from the proposed motion model can be used for local motion planning approaches, such as stochastic model predictive control, leveraging model uncertainty to make safe decisions. We validate our work on a benchmark real-world multi-terrain SSWMR dataset. Our results show that the model generalizes to three different terrains while significantly reducing errors in linear and angular motion predictions. As shown in the attached video, we perform a separate set of experiments on a physical robot to demonstrate the robustness of the proposed algorithm.
arxiv情報
| 著者 | Ananya Trivedi,Mark Zolotas,Adeeb Abbas,Sarvesh Prajapati,Salah Bazzi,Taskın Padır |
| 発行日 | 2024-02-28 05:50:18+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google