Resilient Legged Local Navigation: Learning to Traverse with Compromised Perception End-to-End

要約

自律型ロボットは、外受容知覚が損なわれている場合や知覚障害がある場合でも、未知の環境で確実に移動する必要があります。
このような障害は、過酷な環境によりセンシングが低下した場合、または一般化が限られているために認識アルゴリズムがシーンを誤って解釈した場合によく発生します。
この論文では、認識の失敗を目に見えない障害物や穴としてモデル化し、脚式ロボットを誘導するための強化学習 (RL) ベースのローカル ナビゲーション ポリシーをトレーニングします。
ヒューリスティックと異常検出に依存してナビゲーション情報を更新する以前の研究とは異なり、破損した認識から潜在空間内の環境情報を再構築し、認識の失敗にエンドツーエンドで対応するようにナビゲーション ポリシーをトレーニングします。
この目的を達成するために、固有受容と外受容の両方をポリシー入力に組み込むことで、ポリシーが体のさまざまな部分やみぞおちでの衝突を感知し、対応する反応を促すことができるようになります。
シミュレーションと、リアルタイム (CPU 推論 10 ミリ秒未満) で実行される実際の四足ロボット ANYmal でアプローチを検証します。
既存のヒューリスティックベースの局所反応型プランナーと定量的に比較すると、私たちのポリシーは、認識の失敗に直面した場合の成功率を 30% 以上高めます。
プロジェクトページ：https://bit.ly/45NBTuh。

要約(オリジナル)

Autonomous robots must navigate reliably in unknown environments even under compromised exteroceptive perception, or perception failures. Such failures often occur when harsh environments lead to degraded sensing, or when the perception algorithm misinterprets the scene due to limited generalization. In this paper, we model perception failures as invisible obstacles and pits, and train a reinforcement learning (RL) based local navigation policy to guide our legged robot. Unlike previous works relying on heuristics and anomaly detection to update navigational information, we train our navigation policy to reconstruct the environment information in the latent space from corrupted perception and react to perception failures end-to-end. To this end, we incorporate both proprioception and exteroception into our policy inputs, thereby enabling the policy to sense collisions on different body parts and pits, prompting corresponding reactions. We validate our approach in simulation and on the real quadruped robot ANYmal running in real-time (<10 ms CPU inference). In a quantitative comparison with existing heuristic-based locally reactive planners, our policy increases the success rate over 30% when facing perception failures. Project Page: https://bit.ly/45NBTuh.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google