Learning Long-Horizon Predictions for Quadrotor Dynamics

要約

システムダイナミクスの正確なモデリングは、ロボットシステムの高パフォーマンスの計画と制御を実現するために非常に重要です。
既存のデータ駆動型アプローチは、ダイナミクスをモデリングするための有望なアプローチですが、その精度は短い予測期間に限定されており、より長い予測期間にわたる予測誤差の複合化の影響が見落とされています。
これらの累積的なエラーを軽減する戦略は依然として検討されていません。
このギャップを埋めるために、この論文では、クアッドローターの長期予測ダイナミクスを効率的に学習するための重要な設計の選択肢を検討します。
具体的には、複数のアーキテクチャ、履歴データ、および複数ステップの損失定式化の影響を分析します。
シーケンシャル モデリング手法は、他の種類のソリューションと比較して、配合誤差を最小限に抑える点で利点があることを示します。
さらに、アプローチのモジュール性を強化しながら学習プロセスをさらに簡素化する、新しい分離ダイナミクス学習アプローチを提案します。
実際のクアローターデータに関する広範な実験とアブレーション研究により、提案されたアプローチの多用途性と精度が実証されています。
私たちの成果は、計画と制御のための学習されたクアローターダイナミクスの長期予測精度を向上させるためのいくつかの洞察と方法論を提供します。

要約(オリジナル)

Accurate modeling of system dynamics is crucial for achieving high-performance planning and control of robotic systems. Although existing data-driven approaches represent a promising approach for modeling dynamics, their accuracy is limited to a short prediction horizon, overlooking the impact of compounding prediction errors over longer prediction horizons. Strategies to mitigate these cumulative errors remain underexplored. To bridge this gap, in this paper, we study the key design choices for efficiently learning long-horizon prediction dynamics for quadrotors. Specifically, we analyze the impact of multiple architectures, historical data, and multi-step loss formulation. We show that sequential modeling techniques showcase their advantage in minimizing compounding errors compared to other types of solutions. Furthermore, we propose a novel decoupled dynamics learning approach, which further simplifies the learning process while also enhancing the approach modularity. Extensive experiments and ablation studies on real-world quadrotor data demonstrate the versatility and precision of the proposed approach. Our outcomes offer several insights and methodologies for enhancing long-term predictive accuracy of learned quadrotor dynamics for planning and control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google