复杂环境中无人地面车辆的安全关键框架：数据驱动的偏差感知方法
机器人学
2024-03-06 v1
摘要
本文提出了一种新颖的数据驱动多层规划与控制框架，用于一类无人地面车辆（UGV）在存在未知静止障碍物和加性建模不确定性时的安全导航。该框架的基础是一个新颖的鲁棒模型预测规划器，旨在给定占据栅格地图的情况下生成最优的无碰撞轨迹，以及一个配对的辅助控制器，该控制器经过增强以提供针对从学习数据中提取的模型不确定性的鲁棒性。为了应对建模偏差，我们利用闭环跟踪误差作为训练数据，识别真实模型与标称降阶模型之间的匹配（输入偏差）和非匹配模型残差。利用保形预测，我们提取未知模型残差的概率上界，用于构建增强鲁棒性的辅助控制器。此外，我们还确定了在增强策略下的最大跟踪偏差（也称为鲁棒控制不变管），并将其表述为碰撞缓冲区。采用基于 LiDAR 的占据地图来表征环境，我们构建了一个融合这些碰撞缓冲区的偏差感知代价地图。然后将该地图集成到基于采样的模型预测路径规划器中，生成在模型失配情况下可由增强辅助控制器鲁棒跟踪的最优安全轨迹。该框架的有效性在具有四种不同车辆-地形配置的杂乱环境中通过自主高速轨迹跟踪实验得到了验证。我们还通过将其重新表述为驾驶员辅助程序，展示了该框架的通用性，该程序根据用户操纵杆命令提供避碰修正。
引用
@article{arxiv.2403.03215,
title = {A Safety-Critical Framework for UGVs in Complex Environments: A Data-Driven Discrepancy-Aware Approach},
author = {Skylar X. Wei and Lu Gan and Joel W. Burdick},
journal= {arXiv preprint arXiv:2403.03215},
year = {2024}
}