PhysORD: A Neuro-Symbolic Approach for Physics-infused Motion Prediction in Off-road Driving

要約

自律的なオフロード走行において、動作予測は非常に重要であるが、車両と地形との複雑な相互作用のため、オンロード走行よりもはるかに多くの課題がある。従来の物理ベースのアプローチでは、動的システムや外乱を正確にモデル化することが困難でした。一方、データ駆動型ニューラルネットワークは、膨大なデータセットを必要とし、基本的な物理法則を明示的に捉えることに苦労するため、汎化がうまくいかない可能性があります。両者の長所を融合することで、ニューロシンボリックアプローチは有望な方向性を示す。これらの手法は、物理法則をニューラルモデルに埋め込むことで、汎化能力を大幅に向上させる可能性がある。しかし、オフロード走行の実環境で評価された先行研究はない。このギャップを埋めるために、我々は、オフロード走行における運動予測のためのデータ駆動型ニューラル・モデルに、保存則、すなわちオイラー・ラグランジュ方程式を統合したニューラル・シンボリック・アプローチであるPhysORDを提示する。我々の実験により、PhysORDは車両運動を正確に予測でき、不確実性をモデル化することで外乱を許容できることが示された。PhysORDは、精度と効率の両方で既存の手法を凌駕し、長期予測においてデータ効率的な学習と汎化能力を示しています。

要約(オリジナル)

Motion prediction is critical for autonomous off-road driving, however, it presents significantly more challenges than on-road driving because of the complex interaction between the vehicle and the terrain. Traditional physics-based approaches encounter difficulties in accurately modeling dynamic systems and external disturbance. In contrast, data-driven neural networks require extensive datasets and struggle with explicitly capturing the fundamental physical laws, which can easily lead to poor generalization. By merging the advantages of both methods, neuro-symbolic approaches present a promising direction. These methods embed physical laws into neural models, potentially significantly improving generalization capabilities. However, no prior works were evaluated in real-world settings for off-road driving. To bridge this gap, we present PhysORD, a neural-symbolic approach integrating the conservation law, i.e., the Euler-Lagrange equation, into data-driven neural models for motion prediction in off-road driving. Our experiments showed that PhysORD can accurately predict vehicle motion and tolerate external disturbance by modeling uncertainties. It outperforms existing methods both in accuracy and efficiency and demonstrates data-efficient learning and generalization ability in long-term prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL