[论文解读] Adaptive Meta-Learning for Identification of Rover-Terrain Dynamics

Somrita Banerjee, J. Michael Harrison+2 more|arXiv (Cornell University)|Sep 21, 2020

Soil Mechanics and Vehicle Dynamics参考文献 30被引用 10

一句话总结

本文提出 P-ALPaCA，一种元学习框架，通过将基于物理的火星车-地形动力学名义模型与基于 ALPaCA 的贝叶斯线性回归相结合，实现对新型地形的快速、具备不确定性感知的适应。通过强制名义特征与学习特征之间的正交性，该方法可提供可解释的、概率性的地形参数估计（黏聚力与内摩擦角），显著提升实时火星车操作中的预测精度与不确定性量化能力。

ABSTRACT

Rovers require knowledge of terrain to plan trajectories that maximize safety and efficiency. Terrain type classification relies on input from human operators or machine learning-based image classification algorithms. However, high level terrain classification is typically not sufficient to prevent incidents such as rovers becoming unexpectedly stuck in a sand trap; in these situations, online rover-terrain interaction data can be leveraged to accurately predict future dynamics and prevent further damage to the rover. This paper presents a meta-learning-based approach to adapt probabilistic predictions of rover dynamics by augmenting a nominal model affine in parameters with a Bayesian regression algorithm (P-ALPaCA). A regularization scheme is introduced to encourage orthogonality of nominal and learned features, leading to interpretable probabilistic estimates of terrain parameters in varying terrain conditions.

研究动机与目标

• 解决现有离散地形分类方法在预测导致下陷或车轮损伤等危险的火星车-地形相互作用方面的局限性。
• 克服传统线性回归方法在地形参数估计中缺乏不确定性量化的问题。
• 通过在线估计物理地形参数（黏聚力与内摩擦角），实现实时火星车控制与规划的自适应调整。
• 将来自名义地形力学模型的物理先验与数据驱动学习相结合，以提升在未见地形上的泛化能力。
• 开发一种可提供可解释、概率性地形参数预测并量化不确定性的框架，以支持高安全性要求的火星车任务。

提出的方法

• 基于 Iagnemma 等人 [16] 的方法，构建一个关于地形参数（黏聚力 c 与内摩擦角 φ）线性化的名义火星车-地形动力学模型。
• 在多样化模拟的地形交互数据上，通过元学习训练贝叶斯线性回归模型（ALPaCA），对名义模型进行增强。
• 采用正则化方案，强制名义模型特征与元学习特征之间保持正交性，以提升可解释性。
• 使用本体感知与视觉传感器数据（轮速、IMU、下陷深度、滑移率）作为输入，在线实时估计地形参数。
• 在模拟地形分布上训练元学习器，以实现仅用少量数据即可快速适应新型未见地形类型。
• 输出具备校准不确定性的概率化地形参数预测，支持在动态环境中实现稳健决策。

实验结果

研究问题

• RQ1 基于元学习的方法能否提升在新型、未建模环境中的火星车地形参数估计的准确性与适应性？
• RQ2 如何有效量化地形参数估计的不确定性，并将其用于安全的火星车导航与控制？
• RQ3 强制名义特征与学习特征之间的正交性在多大程度上提升了模型的可解释性与性能？
• RQ4 结合基于物理的名义动力学与数据驱动的贝叶斯回归的混合模型，是否能优于纯数据驱动或纯分析方法？
• RQ5 该方法在仅有少量在线数据的情况下，对未见地形类型的泛化能力如何？

主要发现

• P-ALPaCA 框架在未见地形上对地形参数（黏聚力与内摩擦角）的预测精度显著优于基线方法。
• 该方法提供校准良好的概率性不确定性估计，可生成可靠的地形参数预测置信区间。
• 正交性正则化使特征表示更具可解释性，其中名义模型捕捉已知物理规律，学习组件则捕捉未建模的非线性特性。
• 模型仅需少数在线观测即可快速适应新型地形类型，展现出强大的 few-shot 泛化能力。
• 将基于物理的先验与元学习特征相结合，相比纯数据驱动模型，显著提升了样本效率与鲁棒性。
• 该方法支持实时、具备不确定性感知的地形参数估计，适用于高安全性要求的行星探测任务中的在线控制与路径规划。