Self-supervised cost of transport estimation for multimodal path planning

要約

実際の環境で動作する自律ロボットは、周囲をどのように移動するのが最善であるかという決定を迫られることがよくあります。
この研究では、この問題の特定の例に取り組みます。つまり、高レベルの目標と周囲の情報が与えられた場合、ロボットはどのようにしてエネルギー的に最適な経路を自律的に決定できるのでしょうか?
この問題に取り組むために、私たちはロボットが視覚入力のみを使用して周囲の輸送コストを推定できる自己教師あり学習方法を開発しました。
私たちは、この手法をマルチモーダル モビリティ モルフォボット (M4) に適用します。このロボットは、運転、飛行、セグウェイ、環境内を這うことができます。
私たちのシステムを現実世界に展開することにより、私たちの方法がさまざまなタイプの環境に異なる輸送コストを正確に割り当てることを示します。
草と滑らかな道。
また、Nvidia Jetson Orin Nano ロボット コンピューティング ユニットに導入されたこのメソッドの計算コストが低いことも強調します。
私たちは、この取り組みにより、マルチモーダルロボットプラットフォームがナビゲーションや探索タスクの可能性を最大限に引き出すことができると信じています。

要約(オリジナル)

Autonomous robots operating in real environments are often faced with decisions on how best to navigate their surroundings. In this work, we address a particular instance of this problem: how can a robot autonomously decide on the energetically optimal path to follow given a high-level objective and information about the surroundings? To tackle this problem we developed a self-supervised learning method that allows the robot to estimate the cost of transport of its surroundings using only vision inputs. We apply our method to the multi-modal mobility morphobot (M4), a robot that can drive, fly, segway, and crawl through its environment. By deploying our system in the real world, we show that our method accurately assigns different cost of transports to various types of environments e.g. grass vs smooth road. We also highlight the low computational cost of our method, which is deployed on an Nvidia Jetson Orin Nano robotic compute unit. We believe that this work will allow multi-modal robotic platforms to unlock their full potential for navigation and exploration tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google