MLNav：学习在火星地形上安全导航
机器人学
2022-03-10 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
我们提出MLNav，一种增强学习的路径规划框架，面向在复杂环境中运行的安全关键且资源受限的系统，例如火星上的巡视器。MLNav审慎地使用机器学习来提升路径规划效率，同时完全尊重安全约束。特别地，此类安全关键场景中的主要计算开销是对候选路径运行基于模型的安全检查器。我们学习的搜索启发式可一次性同时预测所有路径选项的可行性，而基于模型的安全检查器仅对得分最高的路径调用。我们使用毅力号巡视器采集的真实火星地形数据以及一套具有挑战性的合成地形，在高保真仿真中验证。实验表明：(i) 与毅力号上搭载的基线ENav路径规划器相比，MLNav在多项关键指标上显著提升，例如在真实火星地形导航时碰撞检查减少10倍，尽管其仅在合成地形上训练；(ii) MLNav能成功导航极具挑战的地形，而基线ENav在超时前无法找到可行路径。
引用
@article{arxiv.2203.04563,
title = {MLNav: Learning to Safely Navigate on Martian Terrains},
author = {Shreyansh Daftry and Neil Abcouwer and Tyler Del Sesto and Siddarth Venkatraman and Jialin Song and Lucas Igel and Amos Byon and Ugo Rosolia and Yisong Yue and Masahiro Ono},
journal= {arXiv preprint arXiv:2203.04563},
year = {2022}
}
备注
IEEE Robotics and Automation Letters (RA-L) and ICRA 2022