NeuPAN: Direct Point Robot Navigation with End-to-End Model-based Learning

要約

散らかった未知の環境で非ホロノミックロボットをナビゲートするには、リアルタイムの衝突回避のために正確な知覚と正確なモーションコントロールが必要です。
このペーパーでは、Neupanを紹介します。リアルタイムで、非常に正確で、マップフリーで、展開しやすい、環境不変のロボットモーションプランナーです。
密接に結合された知覚から制御のフレームワークを活用するNeupanには、既存のアプローチと比較して2つの重要なイノベーションがあります。1）Raw Point Cloud Dataは、衝突のないモーション生成のための潜在的な距離機能空間に直接マッピングし、知覚からのエラー伝播を回避します。
コントロールパイプライン。
2）エンドツーエンドモデルベースの学習の観点から解釈可能です。
Neupanの核心は、プラグアンドプレイ（PNP）近位の交互の最小化ネットワーク（PAN）を使用して多数のポイントレベルの制約を備えたエンドツーエンドの数学モデルを解き、ループにニューロンを組み込みます。
これにより、ネウパンはリアルタイムで物理的に解釈可能な動きを生成することができます。
データとナレッジエンジンをシームレスに統合し、そのネットワークパラメーターはBackpropagationによって微調整できます。
大規模なシミュレートされた現実世界の環境で、地上のモバイルロボット、車輪の足のロボット、および自動運転車でNeupanを評価します。
結果は、ネウパンが、散らかったサンドボックス、オフィス、廊下、駐車場など、さまざまな環境にわたる精度、効率、堅牢性、および一般化機能の点で既存のベースラインを上回ることを示しています。
Neupanは、任意の形状のオブジェクトを備えた未知の非構造化された環境でうまく機能し、通行可能なパスを通過可能なパスに変換することを示します。

要約(オリジナル)

Navigating a nonholonomic robot in a cluttered, unknown environment requires accurate perception and precise motion control for real-time collision avoidance. This paper presents NeuPAN: a real-time, highly accurate, map-free, easy-to-deploy, and environment-invariant robot motion planner. Leveraging a tightly coupled perception-to-control framework, NeuPAN has two key innovations compared to existing approaches: 1) it directly maps raw point cloud data to a latent distance feature space for collision-free motion generation, avoiding error propagation from the perception to control pipeline; 2) it is interpretable from an end-to-end model-based learning perspective. The crux of NeuPAN is solving an end-to-end mathematical model with numerous point-level constraints using a plug-and-play (PnP) proximal alternating-minimization network (PAN), incorporating neurons in the loop. This allows NeuPAN to generate real-time, physically interpretable motions. It seamlessly integrates data and knowledge engines, and its network parameters can be fine-tuned via backpropagation. We evaluate NeuPAN on a ground mobile robot, a wheel-legged robot, and an autonomous vehicle, in extensive simulated and real-world environments. Results demonstrate that NeuPAN outperforms existing baselines in terms of accuracy, efficiency, robustness, and generalization capabilities across various environments, including the cluttered sandbox, office, corridor, and parking lot. We show that NeuPAN works well in unknown and unstructured environments with arbitrarily shaped objects, transforming impassable paths into passable ones.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google