Neural Potential Field for Obstacle-Aware Local Motion Planning

要約

モデル予測制御 (MPC) は、モバイル ロボット プラットフォームのローカル動作計画を提供する可能性があります。
課題となるのは、障害物マップとロボットのフットプリントの両方が任意である場合の衝突コストを解析的に表現することです。
私たちは、ロボットの姿勢、障害物マップ、およびロボットのフットプリントに基づいて微分可能な衝突コストを返すニューラル ネットワーク モデルであるニューラル ポテンシャル フィールドを提案します。
モデルの微分可能性により、MPC ソルバー内での使用が可能になります。
パラメータの数が非常に多い問題を解決することは、計算的に困難です。
したがって、私たちのアーキテクチャには、障害物マップとロボットのフットプリントを埋め込みに変換するニューラル画像エンコーダーが含まれており、問題の次元を 2 桁削減します。
ネットワーク トレーニング用の参照データは、符号付き距離関数のアルゴリズム計算に基づいて生成されます。
比較実験では、提案されたアプローチが既存のローカル プランナーと同等であることが示され、優れた滑らかさ、同等の経路長、および障害物からの安全な距離を備えた軌道が提供されます。
ハスキー UGV モバイル ロボットの実験により、私たちのアプローチによりリアルタイムで安全な現地計画が可能になることが示されました。
私たちのアプローチのコードは、デモビデオとともに https://github.com/cog-isa/NPField に示されています。

要約(オリジナル)

Model predictive control (MPC) may provide local motion planning for mobile robotic platforms. The challenging aspect is the analytic representation of collision cost for the case when both the obstacle map and robot footprint are arbitrary. We propose a Neural Potential Field: a neural network model that returns a differentiable collision cost based on robot pose, obstacle map, and robot footprint. The differentiability of our model allows its usage within the MPC solver. It is computationally hard to solve problems with a very high number of parameters. Therefore, our architecture includes neural image encoders, which transform obstacle maps and robot footprints into embeddings, which reduce problem dimensionality by two orders of magnitude. The reference data for network training are generated based on algorithmic calculation of a signed distance function. Comparative experiments showed that the proposed approach is comparable with existing local planners: it provides trajectories with outperforming smoothness, comparable path length, and safe distance from obstacles. Experiment on Husky UGV mobile robot showed that our approach allows real-time and safe local planning. The code for our approach is presented at https://github.com/cog-isa/NPField together with demo video.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google