ترجمه فارسی مقاله یادگیری یک مدل دینامیک زمین و روبات برای ناوبری ربات موبایل خودمختار

چکیده

Mobile robots should be capable of planning cost-efficient paths for autonomous navigation. Typically, the terrain and robot properties are subject to variations. For instance, properties of the terrain such as friction may vary across different locations. Also, properties of the robot may change such as payloads or wear and tear, e.g., causing changing actuator gains or joint friction. Autonomous navigation approaches should thus be able to adapt to such variations. In this article, we propose a novel approach for learning a probabilistic, terrain- and robot-aware forward dynamics model (TRADYN) which can adapt to such variations and demonstrate its use for navigation. Our learning approach extends recent advances in meta-learning forward dynamics models based on Neural Processes for mobile robot navigation. We evaluate our method in simulation for 2D navigation of a robot with uni-cycle dynamics with varying properties on terrain with spatially varying friction coefficients. In our experiments, we demonstrate that TRADYN has lower prediction error over long time horizons than model ablations which do not adapt to robot or terrain variations. We also evaluate our model for navigation planning in a model-predictive control framework and under various sources of noise. We demonstrate that our approach yields improved performance in planning control-efficient paths by taking robot and terrain properties into account.

چکیده به فارسی (ترجمه ماشینی)

روبات های تلفن همراه باید قادر به برنامه ریزی مسیرهای مقرون به صرفه برای ناوبری خودمختار باشند.به طور معمول ، خاصیت زمین و ربات در معرض تغییرات قرار دارند.به عنوان مثال ، خواص زمین مانند اصطکاک ممکن است در مکانهای مختلف متفاوت باشد.همچنین ، خواص ربات ممکن است مانند بارهای یا سایش و پارگی تغییر کند ، به عنوان مثال ، باعث تغییر در سود محرک یا اصطکاک مشترک می شود.بنابراین رویکردهای ناوبری خودمختار باید بتوانند با چنین تغییراتی سازگار شوند.در این مقاله ، ما یک رویکرد جدید برای یادگیری یک مدل دینامیک احتمالی ، زمین و ربات-آگاه از پیش رو (Tradyn) ارائه می دهیم که می تواند با چنین تغییراتی سازگار شود و استفاده از آن را برای ناوبری نشان دهد.رویکرد یادگیری ما پیشرفت های اخیر در مدل های دینامیک فراتر از یادگیری متا را بر اساس فرآیندهای عصبی برای ناوبری ربات موبایل گسترش می دهد.ما روش خود را در شبیه سازی برای ناوبری 2D یک ربات با پویایی یک چرخه با خصوصیات مختلف در زمین با ضرایب اصطکاک مکانی متفاوت ارزیابی می کنیم.در آزمایشات ما ، ما نشان می دهیم که Tradyn خطای پیش بینی کمتری نسبت به افق های طولانی مدت نسبت به فرسایش مدل دارد که با تغییرات ربات یا زمین سازگار نیست.ما همچنین مدل خود را برای برنامه ریزی ناوبری در یک چارچوب کنترل پیش بینی مدل و تحت منابع مختلف سر و صدا ارزیابی می کنیم.ما نشان می دهیم که رویکرد ما با در نظر گرفتن ویژگی های ربات و زمین ، عملکرد خود را در برنامه های کنترل و کارآمد با برنامه ریزی بهبود می بخشد.