STATE-NAV: Stability-Aware Traversability Estimation for Bipedal Navigation on Rough Terrain

要約

二足歩行ロボットは人間中心の環境を操縦するのに有利であるが、車輪型ロボットや四足歩行ロボットのような他の安定した移動プラットフォームに比べ、故障リスクが大きい。これらのプラットフォームでは、学習ベースの移動可能性が広く研究されているが、二足歩行ロボットの移動可能性は、不整地での運動安定性を考慮した限定的な手動設計ルールに依存している。本研究では、多様で凹凸のある環境で動作する二足歩行ロボットのための、初の学習ベースのトラバース性推定とリスクセンシティブナビゲーションフレームワークを提示する。変換器ベースのニューラルネットワークであるTravFormerは、不確実性を伴う二足歩行の不安定性を予測するように学習され、リスクを考慮した適応的なプランニングを可能にする。このネットワークに基づき、安定性を考慮した指令速度、すなわち不安定性をユーザー定義の限界値以下に抑える最速の指令速度として、走行可能性を定義する。この速度ベースのトラバーサビリティは、時間効率の良い計画のためのトラバーサビリティ情報付き高速ランダムツリースター（TravRRT*）と安全な実行のためのモデル予測制御（MPC）を組み合わせた階層型プランナに統合される。本手法をMuJoCoシミュレーションで検証し、既存の手法と比較して、様々な地形においてロバスト性と時間効率が向上し、ナビゲーション性能が改善したことを示す。

要約(オリジナル)

Bipedal robots have advantages in maneuvering human-centered environments, but face greater failure risk compared to other stable mobile plarforms such as wheeled or quadrupedal robots. While learning-based traversability has been widely studied for these platforms, bipedal traversability has instead relied on manually designed rules with limited consideration of locomotion stability on rough terrain. In this work, we present the first learning-based traversability estimation and risk-sensitive navigation framework for bipedal robots operating in diverse, uneven environments. TravFormer, a transformer-based neural network, is trained to predict bipedal instability with uncertainty, enabling risk-aware and adaptive planning. Based on the network, we define traversability as stability-aware command velocity-the fastest command velocity that keeps instability below a user-defined limit. This velocity-based traversability is integrated into a hierarchical planner that combines traversability-informed Rapid Random Tree Star (TravRRT*) for time-efficient planning and Model Predictive Control (MPC) for safe execution. We validate our method in MuJoCo simulation, demonstrating improved navigation performance, with enhanced robustness and time efficiency across varying terrains compared to existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL