Probabilistic Traversability Model for Risk-Aware Motion Planning in Off-Road Environments

要約

オフロードナビゲーションにおける重要な課題は、視覚的に類似した地形や同じ意味クラスの地形であっても、トラクションの特性が大きく異なる場合があることです。既存の研究では、車輪が滑らないと仮定するか、予想されるトラクションを運動計画に使用するのが一般的で、地形のトラクションが高い不確実性を持つ場合、予測された軌道は実際の性能の悪い指標となる。これに対し、本研究では、一輪車ダイナミクスにおけるトラクションパラメータの経験的分布としてトラバビリティをモデル化し、ニューラルネットワークによって自己教師付きで学習することが可能である。この確率的なトラクションモデルは、最悪の場合の期待コストとトラクションを考慮した2つのリスク考慮型コスト定式化につながる。学習されたモデルが未知の環境に汎化するのを助けるために、信頼性の低い予測につながる特徴を持つ地形は、学習されたネットワークの潜在空間にフィットする密度推定器によって検出され、計画時に補助的なペナルティによって回避される。シミュレーションの結果、提案手法は、スリップがないと仮定したり、予想される牽引力を用いたりする既存の研究を、ナビゲーションの成功率と完了時間の両方で凌駕することが示された。さらに、密度ベースの信頼スコアが低い地形を回避することで、学習したトラクションモデルを新規環境で使用した場合に、成功率が最大30%向上することが達成された。

要約(オリジナル)

A key challenge in off-road navigation is that even visually similar terrains or ones from the same semantic class may have substantially different traction properties. Existing work typically assumes no wheel slip or uses the expected traction for motion planning, where the predicted trajectories provide a poor indication of the actual performance if the terrain traction has high uncertainty. In contrast, this work models traversability as the empirical distribution of traction parameters in unicycle dynamics, which can be learned by a neural network in a self-supervised fashion. The probabilistic traction model leads to two risk-aware cost formulations that account for the worst-case expected cost and traction. To help the learned model generalize to unseen environment, terrains with features that lead to unreliable predictions are detected via a density estimator fit to the trained network’s latent space and avoided via auxiliary penalties during planning. Simulation results demonstrate that the proposed approach outperforms existing work that assumes no slip or uses the expected traction in both navigation success rate and completion time. Furthermore, avoiding terrains with low density-based confidence score achieves up to 30% improvement in success rate when the learned traction model is used in a novel environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL