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

要約

オンロードの自律航海に反して、オフロードの自律性は、感覚の課題から地形の変動性に至るまでの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、複雑な車両と環境の相互作用を効果的にキャプチャするために、データ駆動型のアプローチが一般的に採用されています。
ただし、データ駆動型の方法の成功は、データの品質と量に決定的に依存し、オフロード環境での大きなばらつきによって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、ドメイン固有のデータ生成のために、正確な車両とそのターゲット動作条件をデジタルで再現する新しい方法論を提示します。
これにより、Koopman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、ローカルモーション計画と最適な車両制御のために得られたモデルを採用することができます。
提案された方法論の能力は、グローバルミッション計画に地形に基づいたプランナーが採用されている1：5スケール車両の自律的なナビゲーション問題を通じて実証されています。
結果は、提案されたアルゴリズム（5.84x）でオフロードナビゲーションパフォーマンスの大幅な改善を示し、サンプル効率を改善し（3.2倍）、SIM2REALギャップを減らす（5.2％）、デジタルツインニング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 methodology 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