Learned Perceptive Forward Dynamics Model for Safe and Platform-aware Robotic Navigation

要約

複雑な環境で安全なナビゲーションを確保するには、ロボットの能力に対する環境相互作用の正確なリアルタイムの移動性評価と理解が必要です。
単純化されたダイナミクスを想定する従来の方法では、多くの場合、コスト関数を設計および調整して、目標に向けてパスやアクションを安全に導く必要があります。
このプロセスは退屈で、環境に依存し、一般化できません。
これらの問題を克服するために、周囲の幾何学と固有受容測定の歴史に条件付けられたロボットの将来の状態を予測する、よりスケーラブルでより安全で、ヒューリスティックな解決策を提案する、ロボットの将来の状態を予測する小説を学んだ知覚的フォワードダイナミクスモデル（FDM）を提案します。
FDMは、ハイリスクの操作や実世界の相互作用を含む複数年のシミュレートされたナビゲーションエクスペリエンスでトレーニングされており、剛体シミュレーションを超えて完全なシステムダイナミクスを組み込みます。
知覚FDMをゼロショットモデル予測パス積分（MPPI）計画フレームワークに統合し、アクション、将来の状態、および障害確率の間の学習マッピングを活用します。
これにより、単純化されたコスト関数を最適化でき、安全性を確保するために広範なコストチューニングの必要性を排除できます。
脚のあるロボットANYMALでは、提案された知覚FDMは、競合ベースラインよりも平均41％の位置推定を改善し、大まかなシミュレーション環境で27％高いナビゲーション成功率に変換されます。
さらに、効果的なSIMからリアルへの転送を示し、合成データと実際のデータに関するトレーニングの利点を紹介します。
コードとモデルは、https：//github.com/leggedrobotics/fdmで公開されています。

要約(オリジナル)

Ensuring safe navigation in complex environments requires accurate real-time traversability assessment and understanding of environmental interactions relative to the robot`s capabilities. Traditional methods, which assume simplified dynamics, often require designing and tuning cost functions to safely guide paths or actions toward the goal. This process is tedious, environment-dependent, and not generalizable. To overcome these issues, we propose a novel learned perceptive Forward Dynamics Model (FDM) that predicts the robot`s future state conditioned on the surrounding geometry and history of proprioceptive measurements, proposing a more scalable, safer, and heuristic-free solution. The FDM is trained on multiple years of simulated navigation experience, including high-risk maneuvers, and real-world interactions to incorporate the full system dynamics beyond rigid body simulation. We integrate our perceptive FDM into a zero-shot Model Predictive Path Integral (MPPI) planning framework, leveraging the learned mapping between actions, future states, and failure probability. This allows for optimizing a simplified cost function, eliminating the need for extensive cost-tuning to ensure safety. On the legged robot ANYmal, the proposed perceptive FDM improves the position estimation by on average 41% over competitive baselines, which translates into a 27% higher navigation success rate in rough simulation environments. Moreover, we demonstrate effective sim-to-real transfer and showcase the benefit of training on synthetic and real data. Code and models are made publicly available under https://github.com/leggedrobotics/fdm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google