基于视觉-惯性输入与循环网络的风险规避型MPC在线碰撞避免
机器人学
2021-03-29 v1 计算机视觉与模式识别
机器学习
系统与控制
系统与控制
摘要
本文提出一种在线路径规划架构，将模型预测控制(model predictive control, MPC)公式扩展以考虑未来位置不确定性，从而在杂乱环境中实现更安全的导航。我们的算法将目标检测流程与循环神经网络(recurrent neural network, RNN)结合，该网络在MPC有限时域的每一步推断状态估计的协方差。RNN模型在由最先进视觉-惯性里程计框架从相机图像与惯性测量单元(inertial measurement unit, IMU)读数生成的机器人与路标位姿数据集上训练。为检测并提取用于避障的物体位置，我们使用定制训练的卷积神经网络模型配合特征提取器来获取附近障碍物的3D质心与半径边界。我们方法在复杂四足机器人动力学上的鲁棒性得到验证，并可普遍应用于大多数机器人平台，展现出能够朝目标点快速规划无碰撞路径的自主行为。
引用
@article{arxiv.2007.14035,
title = {Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance},
author = {Alexander Schperberg and Kenny Chen and Stephanie Tsuei and Michael Jewett and Joshua Hooks and Stefano Soatto and Ankur Mehta and Dennis Hong},
journal= {arXiv preprint arXiv:2007.14035},
year = {2021}
}
备注
Accepted to the 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Las Vegas, USA. First two authors contributed equally. For supplementary video, see https://www.youtube.com/watch?v=td4K55Tj-U8