[论文解读] Learning to Model and Plan for Wheeled Mobility on Vertically Challenging Terrain

Aniket Datar, Chenhui Pan+1 more|arXiv (Cornell University)|Jun 20, 2023

Soil Mechanics and Vehicle DynamicsEngineering被引用 3

一句话总结

本文提出一种基于学习的方法，通过在SE(3)中学习3D车辆-地形前向动力学，对垂直挑战性地形上的轮式机器人运动进行建模与规划。采用新型3D规划代价函数的wm-vct规划器在复杂非公路环境中，相较于基线方法，使导航成功率最高提升60%，并使不稳定的车架侧倾和俯仰角度减少46%。

ABSTRACT

Most autonomous navigation systems assume wheeled robots are rigid bodies and their 2D planar workspaces can be divided into free spaces and obstacles. However, recent wheeled mobility research, showing that wheeled platforms have the potential of moving over vertically challenging terrain (e.g., rocky outcroppings, rugged boulders, and fallen tree trunks), invalidate both assumptions. Navigating off-road vehicle chassis with long suspension travel and low tire pressure in places where the boundary between obstacles and free spaces is blurry requires precise 3D modeling of the interaction between the chassis and the terrain, which is complicated by suspension and tire deformation, varying tire-terrain friction, vehicle weight distribution and momentum, etc. In this paper, we present a learning approach to model wheeled mobility, i.e., in terms of vehicle-terrain forward dynamics, and plan feasible, stable, and efficient motion to drive over vertically challenging terrain without rolling over or getting stuck. We present physical experiments on two wheeled robots and show that planning using our learned model can achieve up to 60% improvement in navigation success rate and 46% reduction in unstable chassis roll and pitch angles.

研究动机与目标

• 解决传统2D刚体运动规划在垂直挑战性地形中因障碍物与自由空间未明确分离而存在的局限性。
• 对轮式机器人与3D地形之间复杂的非刚性相互作用进行建模，包括悬架变形、轮胎-地形摩擦力以及动态载荷分布。
• 开发一种规划框架，确保在以往不可通行的障碍物（如巨石和倒下的树木）上实现稳定、高效且无碰撞的导航。
• 实现对未见过的户外环境的泛化能力，其中地形特征与训练数据不同。

提出的方法

• 训练一种数据驱动的前向动力学模型，基于当前车辆状态、控制输入和地形高程图，预测SE(3)中的6自由度车辆状态轨迹。
• wm-vct规划器采用基于采样的递推时域规划方法，通过学习到的动力学模型进行轨迹滚动预测。
• 设计了一种新型3D代价函数，用于惩罚高侧倾和俯仰角度以及潜在的陷车风险，从而在规划过程中提升稳定性。
• 将学习到的动力学模型集成到基于RRT*的运动规划器中，生成可行、稳定且高效的轨迹。
• 在两种轮式机器人平台（V6W和V4W）上，于受控试验台和真实户外环境中对方法进行了评估。
• 该方法无需微调即可泛化至未见过的户外地形，展现出对分布外地形特征的鲁棒性。

Figure 1: Front and side view (1st and 2nd row) of a wheeled robot navigating vertically challenging terrain: (from left to right) large roll angle, stable chassis, suspended wheel, roll-over, and get-stuck.

实验结果

研究问题

• RQ1 在包含悬架和轮胎变形的复杂3D地形上，SE(3)中的学习前向动力学模型能否准确预测轮式机器人的运动？
• RQ2 与2D刚体假设相比，将3D动力学整合到规划代价函数中，如何提升在垂直挑战性地形上的稳定性和成功率？
• RQ3 学习到的模型在未见过的户外环境中，对训练数据中不存在的大而不规则的障碍物，其泛化能力达到何种程度？
• RQ4 在真实非公路场景中，wm-vct规划器与行为克隆及其他最先进规划器等现有基线方法相比，在性能和稳定性方面表现如何？

主要发现

• 在V6W和V4W机器人上，wm-vct规划器在三种难度等级的试验台环境中的导航成功率最高比最佳基线（行为克隆）高出60%。
• 与行为克隆相比，wm-vct规划器将不稳定的车架侧倾和俯仰角度降低了最多46%，尤其在中等和困难环境中表现更优。
• 在困难试验台环境中，行为克隆在五次试验中有四次因侧翻或陷车而失败，而wm-vct在五次试验中成功了四次。
• 在机械性能较弱的四轮V4W平台上，wm-vct在成功率和稳定性指标上仍优于行为克隆。
• 规划器成功泛化至未见过的户外地形，包括大而形状不规则的岩石，行为克隆因侧倾角度过大导致侧翻而失败。
• 户外实测证实，wm-vct可实现对以往不可通行障碍物的稳定导航，而行为克隆则因轨迹过于激进且不稳定而失败。

Figure 2: 2D navigation in $\mathbb{SE}(2)$ vs. 3D, 6-DoF navigation on vertically challenging terrain in $\mathbb{SE}(3)$ .