面向运动动力学系统的学习型风险度量地图
机器人学
2023-03-01 v1 机器学习
摘要
我们提出学习型风险度量地图（LRMM），用于实时估计在非结构化、部分可观测环境中运行的高维动力学系统的相干风险度量。LRMM 模型设计与训练简单——仅需程序化生成障碍物集合、状态与控制采样，以及对函数逼近器进行监督训练——这使其可广泛适用于任意系统动力学与障碍物集合。在并行自动驾驶场景中，我们展示了该模型快速推断一辆在障碍环境中鲁莽行驶的快速类车机器人的碰撞概率的能力；使得 LRMM 智能体能够介入、接管车辆并避免碰撞。在这一时间紧迫的场景中，我们表明 LRMM 评估风险度量的速度比基于控制障碍函数（CBFs）与 Hamilton-Jacobi 可达性（HJ-reach）的替代安全算法快 20–100 倍，且 LRMM 智能体比 CBF 与 HJ-reach 少发生 5–15% 的障碍物碰撞。这一性能提升是在 LRMM 模型仅能获取障碍物的局部/部分观测，而 CBF 与 HJ-reach 智能体被赋予特权/全局信息的情况下取得的。我们还展示了我们的模型同样可在受阻室内环境中运行的 12 维四旋翼系统上良好训练。LRMM 代码库提供于 https://github.com/mit-drl/pyrmm。
引用
@article{arxiv.2302.14803,
title = {Learned Risk Metric Maps for Kinodynamic Systems},
author = {Ross Allen and Wei Xiao and Daniela Rus},
journal= {arXiv preprint arXiv:2302.14803},
year = {2023}
}