A Safety-Critical Framework for UGVs in Complex Environments: A Data-Driven Discrepancy-Aware Approach

要約

この研究では、未知の固定障害物や追加モデリングの不確実性が存在する場合に、あるクラスの無人地上車両 (UGV) を安全に航行するための、新しいデータ駆動型の多層計画および制御フレームワークを提示します。
このフレームワークの基盤は、占有グリッド マップを考慮して最適な衝突のない軌道を生成するように設計された新しい堅牢なモデル予測プランナーと、学習データから抽出されたモデルの不確実性に対する堅牢性を提供するために強化されたペアの補助コントローラーです。
モデリングの不一致に対処するために、閉ループ追跡誤差をトレーニング データとして使用して、真の低次数モデルと名目低次数モデルの間の一致した (入力の不一致) モデル残差と不一致のモデル残差の両方を特定します。
等角予測を利用して、未知のモデル残差の確率的な上限を抽出します。これは、ロバスト化補助コントローラーを構築するのに役立ちます。
さらに、拡張ポリシーの下で、ロバスト制御不変チューブとも呼ばれる最大追跡不一致も決定し、衝突バッファとして定式化します。
LiDAR ベースの占有マップを使用して環境を特徴付け、これらの衝突バッファーを組み込んだ不一致を認識したコスト マップを構築します。
このマップは、サンプリング ベースのモデル予測パス プランナーに統合され、モデルの不一致が存在する場合でも、強化された補助コントローラーによって確実に追跡できる最適で安全な軌道を生成します。
このフレームワークの有効性は、4 つの異なる車両地形構成を備えた乱雑な環境における自律的な高速軌道追跡に関して実験的に検証されています。
また、ドライバー支援プログラムとしてフレームワークを再定式化し、ユーザーのジョイスティック コマンドに基づいて衝突回避補正を提供することで、フレームワークの多用途性を紹介します。

要約(オリジナル)

This work presents a novel data-driven multi-layered planning and control framework for the safe navigation of a class of unmanned ground vehicles (UGVs) in the presence of unknown stationary obstacles and additive modeling uncertainties. The foundation of this framework is a novel robust model predictive planner, designed to generate optimal collision-free trajectories given an occupancy grid map, and a paired ancillary controller, augmented to provide robustness against model uncertainties extracted from learning data. To tackle modeling discrepancies, we identify both matched (input discrepancies) and unmatched model residuals between the true and the nominal reduced-order models using closed-loop tracking errors as training data. Utilizing conformal prediction, we extract probabilistic upper bounds for the unknown model residuals, which serve to construct a robustifying ancillary controller. Further, we also determine maximum tracking discrepancies, also known as the robust control invariance tube, under the augmented policy, formulating them as collision buffers. Employing a LiDAR-based occupancy map to characterize the environment, we construct a discrepancy-aware cost map that incorporates these collision buffers. This map is then integrated into a sampling-based model predictive path planner that generates optimal and safe trajectories that can be robustly tracked by the augmented ancillary controller in the presence of model mismatches. The effectiveness of the framework is experimentally validated for autonomous high-speed trajectory tracking in a cluttered environment with four different vehicle-terrain configurations. We also showcase the framework’s versatility by reformulating it as a driver-assist program, providing collision avoidance corrections based on user joystick commands.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google