面向安全与平台感知的机器人导航学习感知前向动力学模型

确保在复杂环境中安全导航需要准确的实时遍历性评估和理解环境相对于机器人能力的相互作用。传统方法假设简化的动力学,常需设计和调优成本函数以安全地引导路径或动作朝向目标。该过程繁琐、环境依赖,且不具可泛化性。为克服此问题,我们提出一种新的学习感知前向动力学模型 (FDM),其预测机器人在周围几何形状和 proprioceptive 测量历史条件下的未来状态,提供一种更可扩展、更安全、无需 heuristic 的解决方案。FDM 在多个年份的仿真导航经验中进行训练,包括高风险机动,以及真实世界相互作用,以纳入超出刚体仿真的完整系统动力学。我们将感知 FDM 集成到零-shot Model Predictive Path Integral (MPPI) 规划框架中,利用所学习的动作、未来状态和失败概率之间的映射。这使得可以优化简化的成本函数,无需 extensive cost 调优即可确保安全。在 legged 机器人 ANYmal 上,所提出的感知 FDM 在与竞争基线比较时平均提高了 41% 的位置估计精度，这导致在粗糙仿真环境中导航成功率提高 27%。此外,我们演示了有效的 sim-to-real 迁移,并展示了在合成和真实数据上训练的好处。代码和模型在 https://github.com/leggedrobotics/fdm 上公开。