Kinodynamic Trajectory Following with STELA: Simultaneous Trajectory Estimation & Local Adaptation

要約

状態の推定と制御はしばしば個別に対処され、ノイズ、実行エラー、および計画モデルと現実の間の矛盾のために安全でない実行につながります。
これらの課題の統一されたソリューションとして、確率的グラフィカルモデルを使用した同時制御と軌道推定が提案されています。
ただし、以前の研究は、適切なガウス症の事前に大きく依存しており、直線的な時変モデルを備えたホロノミックロボットに限定されています。
現在の研究は、グラフィカルな最適化方法を、同時軌道推定とローカル適応（STELA）を介して、任意の動的モデルを持つ車両に拡張しています。
全体的なアプローチは、運動力学的なサンプリングベースのモーションプランナーを使用して、実行可能な軌跡を初期化します。
次に、同時に次のとおりです。（i）騒々しい観測に基づいて過去の軌跡を推定し、（ii）衝突を回避しながら、計画された実行可能な軌跡からの逸脱を最小限に抑えるために実行されるコントロールを適応させます。
STELAの軌跡の提案された因子グラフ表現は、一次または2次状態更新方程式へのアクセスを考慮して、任意の動的システムに適用でき、最適化変数としての軌跡離散化の2つの状態間の実行期間を導入します。
これらの機能は、軌跡の次の一般化と柔軟性の両方を提供します。
計算効率のターゲティングに加えて、提案された戦略は、ISAMアルゴリズムを使用して因子グラフの増分更新を実行し、時間ウィンドウメカニズムを導入します。
このメカニズムにより、因子グラフを動的に更新して、計画された軌跡の限られた履歴と前後の地平線上で動作します。
これにより、最低10Hzのコントロールのオンライン更新が可能になります。
実験は、STELAが線形ダイナミクスを備えた理想化された車両の以前のフレームワークに少なくとも同等のパフォーマンスを達成することを示しています。[…]

要約(オリジナル)

State estimation and control are often addressed separately, leading to unsafe execution due to sensing noise, execution errors, and discrepancies between the planning model and reality. Simultaneous control and trajectory estimation using probabilistic graphical models has been proposed as a unified solution to these challenges. Previous work, however, relies heavily on appropriate Gaussian priors and is limited to holonomic robots with linear time-varying models. The current research extends graphical optimization methods to vehicles with arbitrary dynamical models via Simultaneous Trajectory Estimation and Local Adaptation (STELA). The overall approach initializes feasible trajectories using a kinodynamic, sampling-based motion planner. Then, it simultaneously: (i) estimates the past trajectory based on noisy observations, and (ii) adapts the controls to be executed to minimize deviations from the planned, feasible trajectory, while avoiding collisions. The proposed factor graph representation of trajectories in STELA can be applied for any dynamical system given access to first or second-order state update equations, and introduces the duration of execution between two states in the trajectory discretization as an optimization variable. These features provide both generalization and flexibility in trajectory following. In addition to targeting computational efficiency, the proposed strategy performs incremental updates of the factor graph using the iSAM algorithm and introduces a time-window mechanism. This mechanism allows the factor graph to be dynamically updated to operate over a limited history and forward horizon of the planned trajectory. This enables online updates of controls at a minimum of 10Hz. Experiments demonstrate that STELA achieves at least comparable performance to previous frameworks on idealized vehicles with linear dynamics.[…]

arxiv情報

提供元, 利用サービス

arxiv.jp, Google