NeuPAN: Direct Point Robot Navigation with End-to-End Model-based Learning

要約

乱雑な環境で非ホロノミック ロボットを操作するには、衝突を回避するために非常に正確な認識と移動が必要です。
この文書では、リアルタイム、高精度、地図不要、ロボットに依存しない、環境に依存しないロボット ナビゲーション ソリューションである NeuPAN について説明します。
NeuPAN は、緊密に結合された知覚と移動のフレームワークを活用し、既存のアプローチと比較して 2 つの重要な革新性を備えています。1) 生のポイントを学習されたマルチフレーム距離空間に直接マッピングし、知覚から制御へのエラー伝播を回避します。
2) エンドツーエンドのモデルベースの学習の観点から解釈可能であり、証明可能な収束を可能にします。
NeuPAN の核心は、ループ内のニューロンを含むプラグ アンド プレイ (PnP) 近接交互最小化ネットワーク (PAN) を使用して、さまざまなポイントレベルの制約を持つ高次元のエンドツーエンド数学モデルを解くことです。
これにより、NeuPAN はリアルタイムでエンドツーエンドの物理的に解釈可能なモーションを点群から直接生成することができ、データ エンジンとナレッジ エンジンをシームレスに統合し、そのネットワーク パラメータが逆伝播によって調整されます。
私たちは、シミュレーション環境と現実世界の両方の環境で、車のようなロボット、車輪脚ロボット、および乗用自動運転車で NeuPAN を評価します。
実験では、雑然とした砂場、オフィス、廊下、駐車場などのさまざまな環境にわたって、精度、効率、堅牢性、一般化機能の点で、NeuPAN がさまざまなベンチマークよりも優れていることが実証されています。
私たちは、NeuPAN が任意の形状の検出不可能な物体を含む非構造化環境でうまく機能し、通行できない道を通行できるようにすることを示します。

要約(オリジナル)

Navigating a nonholonomic robot in a cluttered environment requires extremely accurate perception and locomotion for collision avoidance. This paper presents NeuPAN: a real-time, highly-accurate, map-free, robot-agnostic, and environment-invariant robot navigation solution. Leveraging a tightly-coupled perception-locomotion framework, NeuPAN has two key innovations compared to existing approaches: 1) it directly maps raw points to a learned multi-frame distance space, avoiding error propagation from perception to control; 2) it is interpretable from an end-to-end model-based learning perspective, enabling provable convergence. The crux of NeuPAN is to solve a high-dimensional end-to-end mathematical model with various point-level constraints using the plug-and-play (PnP) proximal alternating-minimization network (PAN) with neurons in the loop. This allows NeuPAN to generate real-time, end-to-end, physically-interpretable motions directly from point clouds, which seamlessly integrates data- and knowledge-engines, where its network parameters are adjusted via back propagation. We evaluate NeuPAN on car-like robot, wheel-legged robot, and passenger autonomous vehicle, in both simulated and real-world environments. Experiments demonstrate that NeuPAN outperforms various benchmarks, in terms of accuracy, efficiency, robustness, and generalization capability across various environments, including the cluttered sandbox, office, corridor, and parking lot. We show that NeuPAN works well in unstructured environments with arbitrary-shape undetectable objects, making impassable ways passable.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google