Digital Twins Meet the Koopman Operator: Data-Driven Learning for Robust Autonomy

要約

オンロードの自律ナビゲーションとは対照的に、オフロードの自律ナビゲーションは、センシングの課題から地形の変動に至るまで、さまざまな要因によって複雑になります。
このような環境では、車両と環境の複雑な相互作用を効果的に捉えるために、データ駆動型のアプローチが一般的に採用されてきました。
ただし、データ駆動型手法の成功はデータの質と量に大きく依存しており、オフロード環境では大きな変動によってデータの質と量が損なわれる可能性があります。
これらの懸念に対処するために、当社は、ドメイン固有のデータ生成のために正確な車両とその目標動作条件をデジタルで再現する新しいワークフローを提案します。
これにより、クープマン オペレーター理論を使用してシミュレーション データからオフロード車両のダイナミクスを効果的にモデル化し、得られたモデルを局所的な動作計画と最適な車両制御に使用することができます。
提案された方法論の機能は、1:5 スケールの車両の自律航行問題を通じて実証されます。この問題では、地形情報に基づいたプランナーが地球規模のミッション計画に採用されます。
結果は、提案されたアルゴリズム (5.84 倍) によるオフロード ナビゲーション パフォーマンスの大幅な向上を示し、サンプル効率の向上 (3.2 倍) と sim2real ギャップの削減 (5.2%) という点でデジタル ツイン化の有効性を強調しています。

要約(オリジナル)

Contrary to on-road autonomous navigation, off-road autonomy is complicated by various factors ranging from sensing challenges to terrain variability. In such a milieu, data-driven approaches have been commonly employed to capture intricate vehicle-environment interactions effectively. However, the success of data-driven methods depends crucially on the quality and quantity of data, which can be compromised by large variability in off-road environments. To address these concerns, we present a novel workflow to recreate the exact vehicle and its target operating conditions digitally for domain-specific data generation. This enables us to effectively model off-road vehicle dynamics from simulation data using the Koopman operator theory, and employ the obtained models for local motion planning and optimal vehicle control. The capabilities of the proposed methodology are demonstrated through an autonomous navigation problem of a 1:5 scale vehicle, where a terrain-informed planner is employed for global mission planning. Results indicate a substantial improvement in off-road navigation performance with the proposed algorithm (5.84x) and underscore the efficacy of digital twinning in terms of improving the sample efficiency (3.2x) and reducing the sim2real gap (5.2%).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google