用于视觉导航的离线深度模型预测控制 (MPC)
机器人学
2024-05-20 v1
摘要
在本文中，我们提出了一种基于单目 RGB 透视相机的新视觉导航方法。利用视觉示教与复现（VT&R）方法，机器人在示教步骤中获取由多个子目标图像组成的视觉轨迹。在复现步骤中，我们提出了两种网络架构，即 ViewNet 和 VelocityNet。这两种网络的组合使机器人能够跟随视觉轨迹。ViewNet 经过训练，可根据当前视图和速度指令生成未来图像。生成的未来图像与子目标图像结合，用于训练 VelocityNet。我们在 VelocityNet 中开发了一种离线模型预测控制（MPC）策略，其双重目标是：(1) 减小当前图像与子目标图像之间的差异；(2) 通过缓解速度不连续性来确保轨迹平滑。离线训练节省了计算资源，使其成为计算能力有限场景（如嵌入式系统）的更合适选择。我们在仿真环境中验证了我们的实验，结果表明我们的模型能有效最小化真实轨迹与执行轨迹之间的度量误差。
引用
@article{arxiv.2402.04797,
title = {Offline Deep Model Predictive Control (MPC) for Visual Navigation},
author = {Taha Bouzid and Youssef Alj},
journal= {arXiv preprint arXiv:2402.04797},
year = {2024}
}
备注
Accepted at ROBOVIS 2024 : 4th International Conference on Robotics, Computer Vision and Intelligent Systems