Terrain-Attentive Learning for Efficient 6-DoF Kinodynamic Modeling on Vertically Challenging Terrain

要約

車輪付きロボットは最近、垂直方向に困難な地形（車両自体と同程度の大きさの非常に険しい岩など）を横断する優れた機械的能力を実証しました。
このような地形を通過すると、6 つの自由度 (DoF) すべてで車両の姿勢に大きな変化が生じ、接触力の不均衡、運動量の変化、および非剛性タイヤやサスペンションによるシャーシの変形が発生します。
垂直方向に困難な地形を自律的に航行するには、限られたオンボード計算と厳密なリアルタイム制約内で、これらすべての要素を効率的に推論する必要があります。
この論文では、現在の車両と地形の相互作用にとって重要な特定の基礎となる地形のみに注意を払う 6-DoF 運動力学学習アプローチを提案します。これにより、小型ロボットに搭載されたリアルタイム モーション プランナーで効率的にクエリできるようになります。
物理実験の結果、当社の地形注意学習は、垂直方向に困難な地形に対する最先端のモデルと比較して、6 自由度すべてでモデル予測誤差が平均 51.1% 削減されることを示しています。

要約(オリジナル)

Wheeled robots have recently demonstrated superior mechanical capability to traverse vertically challenging terrain (e.g., extremely rugged boulders comparable in size to the vehicles themselves). Negotiating such terrain introduces significant variations of vehicle pose in all six Degrees-of-Freedom (DoFs), leading to imbalanced contact forces, varying momentum, and chassis deformation due to non-rigid tires and suspensions. To autonomously navigate on vertically challenging terrain, all these factors need to be efficiently reasoned within limited onboard computation and strict real-time constraints. In this paper, we propose a 6-DoF kinodynamics learning approach that is attentive only to the specific underlying terrain critical to the current vehicle-terrain interaction, so that it can be efficiently queried in real-time motion planners onboard small robots. Physical experiment results show our Terrain-Attentive Learning demonstrates on average 51.1% reduction in model prediction error among all 6 DoFs compared to a state-of-the-art model for vertically challenging terrain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google