MonoForce：用于预测机器人与地形交互的物理信息模型的自监督学习
机器人学
2025-08-06 v6
摘要
尽管移动机器人在刚性地形上的自主导航是一个已被充分研究的问题，但在高草或灌木丛等可变形地形上导航仍具挑战。为此，我们提出一个可解释、具物理感知且端到端可微分的模型，该模型从相机图像预测机器人与地形交互的结果，适用于刚性与非刚性地形。所提出的 MonoForce 模型由一个黑盒模块和一个白盒模块组成：黑盒模块从车载相机预测机器人与地形交互力，白盒模块仅利用经典力学定律将这些力与控制信号转换为预测轨迹。可微的白盒模块允许将预测轨迹误差反向传播至黑盒模块，作为衡量预测力与机器人真实轨迹一致性的自监督损失。在公开数据集和我们的数据上的实验评估表明，虽然在刚性地形上预测能力与最先进算法相当，MonoForce 在高草或灌木丛等非刚性地形上展现出更优精度。为促进结果可复现，我们发布了代码与数据集。
引用
@article{arxiv.2309.09007,
title = {MonoForce: Self-supervised Learning of Physics-informed Model for Predicting Robot-terrain Interaction},
author = {Ruslan Agishev and Karel Zimmermann and Vladimír Kubelka and Martin Pecka and Tomáš Svoboda},
journal= {arXiv preprint arXiv:2309.09007},
year = {2025}
}
备注
Accepted for IEEE IROS 2024. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works