Bi-level Trajectory Optimization on Uneven Terrains with Differentiable Wheel-Terrain Interaction Model

要約

平坦でない地形での車輪付き車両のナビゲーションでは、軌道計画において 2D アプローチを超える必要があります。
具体的には、車両姿勢の完全な 6dof バリエーションとそれに関連する安定性コストを計画プロセスに組み込むことが不可欠です。
この目的を達成するために、最近の研究では、ニューラル ネットワーク モデルを学習して車両の進化を予測することを目的としています。
ただし、このようなアプローチは大量のデータを必要とし、一般化の問題を伴います。
このペーパーでは、地形のデジタル標高情報のみを必要とする純粋にモデルベースのアプローチを紹介します。
具体的には、車輪と地形の相互作用と 6dof 姿勢予測を非線形最小二乗 (NLS) 問題として表現します。
その結果、軌道計画は 2 段階の最適化として考えることができます。
内側の最適化層は、特定の軌道に沿って地形上のポーズを予測し、外側の層は軌道自体を変形してポーズの安定性と運動学的コストを削減します。
私たちは以下の点で最先端の技術を向上させています。
まず、NLS ベースの姿勢予測が高忠実度の物理エンジンからの出力とほぼ一致することを示します。
この結果は、NLS ソルバーの勾配をクエリできるという事実と組み合わせることで、微分可能な車輪と地形の相互作用モデルである姿勢予測子を作成します。
この微分可能性をさらに利用して、提案された 2 レベル軌道最適化問題を効率的に解決します。
最後に、広範な実験を実行し、ベースラインと比較して、滑らかで安定した軌道を取得する際のアプローチの有効性を示します。

要約(オリジナル)

Navigation of wheeled vehicles on uneven terrain necessitates going beyond the 2D approaches for trajectory planning. Specifically, it is essential to incorporate the full 6dof variation of vehicle pose and its associated stability cost in the planning process. To this end, most recent works aim to learn a neural network model to predict the vehicle evolution. However, such approaches are data-intensive and fraught with generalization issues. In this paper, we present a purely model-based approach that just requires the digital elevation information of the terrain. Specifically, we express the wheel-terrain interaction and 6dof pose prediction as a non-linear least squares (NLS) problem. As a result, trajectory planning can be viewed as a bi-level optimization. The inner optimization layer predicts the pose on the terrain along a given trajectory, while the outer layer deforms the trajectory itself to reduce the stability and kinematic costs of the pose. We improve the state-of-the-art in the following respects. First, we show that our NLS based pose prediction closely matches the output from a high-fidelity physics engine. This result coupled with the fact that we can query gradients of the NLS solver, makes our pose predictor, a differentiable wheel-terrain interaction model. We further leverage this differentiability to efficiently solve the proposed bi-level trajectory optimization problem. Finally, we perform extensive experiments, and comparison with a baseline to showcase the effectiveness of our approach in obtaining smooth, stable trajectories.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google