Bi-level Trajectory Optimization on Uneven Terrains with Differentiable Wheel-Terrain Interaction Model

要約

不整地での車輪付き車両のナビゲーションには、軌道計画のための2Dアプローチを超えるものが必要である。具体的には、車両姿勢の6次元的な変化とそれに伴う安定性コストを計画プロセスに組み込むことが不可欠である。この目的のために、最近の研究では、車両の進化を予測するニューラルネットワークモデルを学習することを目的としています。しかし、このようなアプローチはデータ量が多く、汎化の問題がある。本論文では、地形のデジタル標高情報のみを必要とする純粋なモデルベースのアプローチを提示する。具体的には、車輪と地形の相互作用と6dof姿勢予測を非線形最小二乗(NLS)問題として表現する。その結果、軌道計画は2レベルの最適化と見なすことができる。内側の最適化層は与えられた軌道に沿って地形上のポーズを予測し、外側の層はポーズの安定性と運動学的コストを低減するために軌道自体を変形させる。我々は以下の点で最先端技術を改善する。まず、我々のNLSに基づくポーズ予測が、忠実度の高い物理エンジンからの出力と密接に一致することを示す。この結果は、NLSソルバーの勾配を問い合わせることができるという事実と相まって、我々のポーズ予測器を微分可能な車輪と地面の相互作用モデルにします。さらに、この微分可能性を利用して、提案する2レベル軌道最適化問題を効率的に解きます。最後に、滑らかで安定した軌道を得るための我々のアプローチの有効性を示すために、広範な実験とベースラインとの比較を行う。

要約(オリジナル)

Navigation of wheeled vehicles on uneven terrain necessitates going beyond the 2D approaches for trajectory planning. Specifically, it is essential to incorporate the full 6dof variation of vehicle pose and its associated stability cost in the planning process. To this end, most recent works aim to learn a neural network model to predict the vehicle evolution. However, such approaches are data-intensive and fraught with generalization issues. In this paper, we present a purely model-based approach that just requires the digital elevation information of the terrain. Specifically, we express the wheel-terrain interaction and 6dof pose prediction as a non-linear least squares (NLS) problem. As a result, trajectory planning can be viewed as a bi-level optimization. The inner optimization layer predicts the pose on the terrain along a given trajectory, while the outer layer deforms the trajectory itself to reduce the stability and kinematic costs of the pose. We improve the state-of-the-art in the following respects. First, we show that our NLS based pose prediction closely matches the output from a high-fidelity physics engine. This result coupled with the fact that we can query gradients of the NLS solver, makes our pose predictor, a differentiable wheel-terrain interaction model. We further leverage this differentiability to efficiently solve the proposed bi-level trajectory optimization problem. Finally, we perform extensive experiments, and comparison with a baseline to showcase the effectiveness of our approach in obtaining smooth, stable trajectories.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL