Data-Driven Sampling Based Stochastic MPC for Skid-Steer Mobile Robot Navigation

要約

スキッドステアロボットのモーションモデリングに対する従来のアプローチは、特に高速操縦中に非線形のタイヤ地形ダイナミクスを捉えるのに苦労しています。
この論文では、ガウス過程 (GP) 回帰出力を使用して動的一輪車モデルを強化することで、このような非線形性に取り組みます。
これにより、不確実性を考慮した適応型ナビゲーション定式化を開発できるようになります。
確率的最適制御問題を、確率制約付きモデル予測経路積分 (MPPI) 制御法を使用して解決します。
このアプローチでは、障害物回避と経路追従の両方を偶然の制約として定式化し、GP からの残留不確実性を考慮して制御の安全性と信頼性を確保します。
GPU アクセラレーションを活用して、問題の非凸性を効率的に管理し、リアルタイムのパフォーマンスを確保します。
私たちのアプローチは、通常どちらか一方に焦点を当てていた従来の研究とは異なり、さまざまな地形にわたる経路追跡と障害物回避を統合します。
GP-MPPI メソッドを、MPPI フレームワーク内の一輪車およびデータ駆動型運動学モデルと比較します。
シミュレーションでは、私たちのアプローチは優れた追跡精度と障害物回避を示しています。
さらに、スキッドステアロボットプラットフォームでのハードウェア実験を通じてアプローチを検証し、高速ナビゲーションにおけるその有効性を実証します。
提案された方法の GPU 実装と補足ビデオ映像は、https://stochasticmppi.github.io で入手できます。

要約(オリジナル)

Traditional approaches to motion modeling for skid-steer robots struggle with capturing nonlinear tire-terrain dynamics, especially during high-speed maneuvers. In this paper, we tackle such nonlinearities by enhancing a dynamic unicycle model with Gaussian Process (GP) regression outputs. This enables us to develop an adaptive, uncertainty-informed navigation formulation. We solve the resultant stochastic optimal control problem using a chance-constrained Model Predictive Path Integral (MPPI) control method. This approach formulates both obstacle avoidance and path-following as chance constraints, accounting for residual uncertainties from the GP to ensure safety and reliability in control. Leveraging GPU acceleration, we efficiently manage the non-convex nature of the problem, ensuring real-time performance. Our approach unifies path-following and obstacle avoidance across different terrains, unlike prior works which typically focus on one or the other. We compare our GP-MPPI method against unicycle and data-driven kinematic models within the MPPI framework. In simulations, our approach shows superior tracking accuracy and obstacle avoidance. We further validate our approach through hardware experiments on a skid-steer robot platform, demonstrating its effectiveness in high-speed navigation. The GPU implementation of the proposed method and supplementary video footage are available at https: //stochasticmppi.github.io.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google