Parameterized Fast and Safe Tracking (FaSTrack) using Deepreach

要約

Fast and Safe Tracking (FaSTrack) は、Hamilton-Jacobi (HJ) 到達可能性の値関数を介してリアルタイムで軌道を計画および実行しながら、安全性の保証を提供するモジュール式フレームワークです。
これらの値関数は動的プログラミングによって計算されますが、計算効率が悪いことで知られています。
さらに、結果として得られる軌道は、突然の外乱や障害物などの環境にオンラインで適応しません。
DeepReach は、HJ 到達可能性に対するスケーラブルな深層学習手法であり、状態のパラメータ化を可能にし、さまざまな制御や妨害に対するオンライン適応の可能性を開きます。
この論文では、DeepReach を使用して計画モデルの制御境界をパラメータ化する値関数を近似するパラメトリック FaSTrack を提案します。
新しいフレームワークは、先験的に未知の環境での障害物の回避を保証しながら、ナビゲーション速度と追跡エラー (したがって操縦性) の間でスムーズにトレードオフを行うことができます。
2 つの例と既存の手法とのベンチマーク比較を通じて手法を実証し、フレームワークの安全性、効率性、および解決時間の短縮を示します。

要約(オリジナル)

Fast and Safe Tracking (FaSTrack) is a modular framework that provides safety guarantees while planning and executing trajectories in real time via value functions of Hamilton-Jacobi (HJ) reachability. These value functions are computed through dynamic programming, which is notorious for being computationally inefficient. Moreover, the resulting trajectory does not adapt online to the environment, such as sudden disturbances or obstacles. DeepReach is a scalable deep learning method to HJ reachability that allows parameterization of states, which opens up possibilities for online adaptation to various controls and disturbances. In this paper, we propose Parametric FaSTrack, which uses DeepReach to approximate a value function that parameterizes the control bounds of the planning model. The new framework can smoothly trade off between the navigation speed and the tracking error (therefore maneuverability) while guaranteeing obstacle avoidance in a priori unknown environments. We demonstrate our method through two examples and a benchmark comparison with existing methods, showing the safety, efficiency, and faster solution times of the framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google