Meta-Learning Online Dynamics Model Adaptation in Off-Road Autonomous Driving

要約

高速オフロードの自律運転は、複雑で進化する地形の特性と、地形と車両の相互作用を正確にモデル化することの難しさのために、ユニークな課題を提示します。
モデルベースの制御で使用されるダイナミクスモデルは実際のデータから学ぶことができますが、目に見えない地形に一般化するのに苦労して、リアルタイムの適応を不可欠にします。
カルマンフィルターベースのオンライン適応スキームとメタ学習パラメーターを組み合わせて、これらの課題に対処する新しいフレームワークを提案します。
オフラインメタラーニングは、適応が発生する基底関数と適応パラメーターを最適化し、オンライン適応はモデルベースの制御のためにオンボードダイナミクスモデルをリアルタイムで動的に調整します。
フルスケールの自律オフロード車両での実際のテストを含む広範な実験を通じて、私たちのアプローチを検証し、特に安全性が批判的なシナリオで、この方法が予測の精度、パフォーマンス、安全性指標のベースラインアプローチを上回ることを実証します。
私たちの結果は、メタ学習ダイナミクスモデルの適応の有効性を強調し、多様で目に見えない環境をナビゲートできる信頼できる自律システムの開発を進めています。
ビデオは、https：//youtu.be/cckhhrdrqeaで入手できます

要約(オリジナル)

High-speed off-road autonomous driving presents unique challenges due to complex, evolving terrain characteristics and the difficulty of accurately modeling terrain-vehicle interactions. While dynamics models used in model-based control can be learned from real-world data, they often struggle to generalize to unseen terrain, making real-time adaptation essential. We propose a novel framework that combines a Kalman filter-based online adaptation scheme with meta-learned parameters to address these challenges. Offline meta-learning optimizes the basis functions along which adaptation occurs, as well as the adaptation parameters, while online adaptation dynamically adjusts the onboard dynamics model in real time for model-based control. We validate our approach through extensive experiments, including real-world testing on a full-scale autonomous off-road vehicle, demonstrating that our method outperforms baseline approaches in prediction accuracy, performance, and safety metrics, particularly in safety-critical scenarios. Our results underscore the effectiveness of meta-learned dynamics model adaptation, advancing the development of reliable autonomous systems capable of navigating diverse and unseen environments. Video is available at: https://youtu.be/cCKHHrDRQEA

arxiv情報

提供元, 利用サービス

arxiv.jp, Google