GP-guided MPPI for Efficient Navigation in Complex Unknown Cluttered Environments

要約

センシング機能が限られた未知の雑然とした環境でのロボットナビゲーションは、ロボット工学において重大な課題を引き起こします。
Model Predictive Path Intergal (MPPI) などのローカル軌道最適化手法は、この課題に対する有望な解決策です。
ただし、特に困難な環境条件に遭遇したり、計画範囲を超えて航行したりする場合には、効果的な航行を確保するためにグローバルなガイダンスが必要です。
この研究では、MPPI をスパース ガウス プロセス (SGP) に基づくローカル知覚モデルと統合する、オンライン学習ベースの制御戦略である GP-MPPI を紹介します。
重要なアイデアは、SGP の学習機能を活用して分散 (不確実性) 曲面を構築することです。これにより、ロボットは周囲のナビゲーション可能な空間について学習し、提案された一連のサブ目標を特定し、最終的には事前定義された目標を最小化する最適なサブ目標を推奨できるようになります。
コスト関数をローカルの MPPI プランナーに送信します。
その後、MPPI はロボットと衝突回避の制約を満たす最適な制御シーケンスを計算します。
このようなアプローチにより、環境の世界地図やオフライン トレーニング プロセスが不要になります。
私たちは、複雑な未知の環境における 2D 自律ナビゲーション タスクのシミュレーション実験と実世界の両方の実験を通じて、提案した制御戦略の効率とロバスト性を検証し、障害物を回避し、極小値での閉じ込めを回避しながら、ロボットを目的の目標に安全に誘導する点での優位性を実証します。

GP-MPPI の GPU 実装 (補足ビデオを含む) は、https://github.com/IhabMohamed/GP-MPPI で入手できます。

要約(オリジナル)

Robotic navigation in unknown, cluttered environments with limited sensing capabilities poses significant challenges in robotics. Local trajectory optimization methods, such as Model Predictive Path Intergal (MPPI), are a promising solution to this challenge. However, global guidance is required to ensure effective navigation, especially when encountering challenging environmental conditions or navigating beyond the planning horizon. This study presents the GP-MPPI, an online learning-based control strategy that integrates MPPI with a local perception model based on Sparse Gaussian Process (SGP). The key idea is to leverage the learning capability of SGP to construct a variance (uncertainty) surface, which enables the robot to learn about the navigable space surrounding it, identify a set of suggested subgoals, and ultimately recommend the optimal subgoal that minimizes a predefined cost function to the local MPPI planner. Afterward, MPPI computes the optimal control sequence that satisfies the robot and collision avoidance constraints. Such an approach eliminates the necessity of a global map of the environment or an offline training process. We validate the efficiency and robustness of our proposed control strategy through both simulated and real-world experiments of 2D autonomous navigation tasks in complex unknown environments, demonstrating its superiority in guiding the robot safely towards its desired goal while avoiding obstacles and escaping entrapment in local minima. The GPU implementation of GP-MPPI, including the supplementary video, is available at https://github.com/IhabMohamed/GP-MPPI.

arxiv情報

著者 Ihab S. Mohamed,Mahmoud Ali,Lantao Liu
発行日 2023-07-08 17:33:20+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.RO, cs.SY, eess.SY パーマリンク