用于越野地形滑移转向轮式移动机器人导航的概率运动模型

滑移转向轮式移动机器人（SSWMRs）正越来越多地用于越野自主应用。当高速转弯时，这些机器人往往会发生显著的滑移和打滑。在本工作中，我们利用高斯过程回归（GPR）和 Sigma 点变换，以概率方式估计轮胎 - 地形相互作用对机器人速度的非线性影响。利用 GPR 的均值估计，我们提出了一种数据驱动的动态运动模型，其在预测未来机器人位姿方面比传统运动学运动模型更为准确。通过基于过去机器人运动历史高效求解凸优化问题，经 GPR 增强的运动模型可泛化至此前未见过的地形条件。所提出的运动模型输出的分布可用于局部运动规划方法（如随机模型预测控制），利用模型不确定性做出安全决策。我们在一个基准真实世界多地形 SSWMR 数据集上验证了我们的工作。结果表明，该模型能泛化至三种不同地形，同时显著降低了线性和角运动预测的误差。如附带视频所示，我们在物理机器人上进行了一组独立的实验，以证明所提出算法的鲁棒性。