Real-time Model Predictive Control with Zonotope-Based Neural Networks for Bipedal Social Navigation

要約

この研究は、人が密集したダイナミックな環境における二足歩行ナビゲーションの課題に取り組むもので、この研究領域は脚ナビゲーションの分野ではまだほとんど研究されていない。
我々は、2 つのカスケード ゾノトープ ベースのニューラル ネットワークを提案します。1 つは歩行者の将来の軌道予測のための歩行者予測ネットワーク (PPN)、もう 1 つはエゴ エージェントのソーシャル パス計画のためのエゴ エージェント ソーシャル ネットワーク (ESN) です。
将来のパスをゾノトープとして表すことで、到達可能性に基づいた効率的な計画と衝突チェックが可能になります。
次に、ESN は、Agility Robotics が設計した二足歩行ロボット Digit の足跡計画のためにモデル予測コントローラー (ESN-MPC) と統合されます。
ESN-MPC は、ESN の勾配を通じて最適化することで、衝突のない最適な軌道を解決します。
ESN-MPC の最適軌道は、Digit のフルオーダー シミュレーションのために低レベル コントローラーに送信されます。
提案された全体的なフレームワークは、さまざまな人間の群集密度でランダムに生成された初期設定に関する広範なシミュレーションによって検証されます。

要約(オリジナル)

This study addresses the challenge of bipedal navigation in a dynamic human-crowded environment, a research area that remains largely underexplored in the field of legged navigation. We propose two cascaded zonotope-based neural networks: a Pedestrian Prediction Network (PPN) for pedestrians’ future trajectory prediction and an Ego-agent Social Network (ESN) for ego-agent social path planning. Representing future paths as zonotopes allows for efficient reachability-based planning and collision checking. The ESN is then integrated with a Model Predictive Controller (ESN-MPC) for footstep planning for our bipedal robot Digit designed by Agility Robotics. ESN-MPC solves for a collision-free optimal trajectory by optimizing through the gradients of ESN. ESN-MPC optimal trajectory is sent to the low-level controller for full-order simulation of Digit. The overall proposed framework is validated with extensive simulations on randomly generated initial settings with varying human crowd densities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google