学习预测移动机器人在非公路环境中的稳定性

在非公路环境中导航对于轮式移动机器人来说具有挑战性，因为 terrain 动态且崎岖。传统的基于物理的稳定性指标，如静态稳定裕度（SSM）或零力矩点（ZMP）需要知道接触力、terrain 几何和机器人精确的质心，这些在现实世界条件下测量准确性很难。为此，本文提出一种基于学习的方法，从本体数据直接估计机器人平台稳定性，使用轻量级神经网络 IMUnet。我们的方法实现了数据驱动的稳定性推断，不需要明确的 terrain 模型或力传感。我们还开发了一种基于视觉的 ArUco 跟踪方法，用于计算量化机器人平台稳定性的标量得分，称为 C3 得分。该得分捕捉图像空间随时间的扰动，作为物理不稳定性的代理，用于神经网络模型的训练信号。作为一个初步研究，我们在多个 terrain 类型和速度收集的数据上评估了该方法，并演示了对以前未见过的条件的泛化。这些初始结果突显了使用 IMU 和机器人速度作为输入来估计平台稳定性的潜力。该方法可用于控制机器人任务，如精细驱动和感知，特别是对于农业和太空应用中的移动操作任务。我们的方法还为基于感知的可遍历性估计和规划提供了监督机制。