利用哈密顿-雅可比可达性为基于学习的视觉导航生成鲁棒监督
机器人学
2020-05-19 v2 计算机视觉与模式识别
机器学习
系统与控制
系统与控制
摘要
在 Bansal 等人 (2019) 中，提出了一种结合基于学习与基于模型方法的新型视觉导航框架。具体而言，卷积神经网络 (CNN) 预测一个路点，动力学模型利用该路点规划并跟踪一条通往该路点的轨迹。然而，CNN 不可避免地产生预测误差，这常导致在杂乱狭窄空间中发生碰撞。本文提出一种新颖的基于哈密顿-雅可比 (HJ) 可达性方法，为 CNN 在未知环境中预测路点生成监督。通过将 CNN 预测误差建模为机器人动力学中的“扰动”，我们生成的路点对这类扰动因而也对预测误差具有鲁棒性。此外，使用全局最优的 HJ 可达性分析可预测出时间高效且避免贪婪行为的路点。通过仿真与硬件实验，我们展示了所提方法在穿越杂乱、狭窄室内环境导航中的优势。
引用
@article{arxiv.1912.10120,
title = {Generating Robust Supervision for Learning-Based Visual Navigation Using Hamilton-Jacobi Reachability},
author = {Anjian Li and Somil Bansal and Georgios Giovanis and Varun Tolani and Claire Tomlin and Mo Chen},
journal= {arXiv preprint arXiv:1912.10120},
year = {2020}
}
备注
Learning for Dynamics and Control (L4DC) 2020