論文の概要: Safe Output Feedback Motion Planning from Images via Learned Perception Modules and Contraction Theory

• arxiv url: http://arxiv.org/abs/2206.06553v1
• Date: Tue, 14 Jun 2022 02:03:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 07:26:54.112002
• Title: Safe Output Feedback Motion Planning from Images via Learned Perception Modules and Contraction Theory
• Title（参考訳）: 学習知覚モジュールによる画像からの安全な出力フィードバック運動計画と収縮理論
• Authors: Glen Chou, Necmiye Ozay, Dmitry Berenson
• Abstract要約: 本稿では、実行時の安全性と目標到達性を保証する不確実な制御-アフィン非線形システムのクラスを示す。 我々は、観測から状態のサブセットを逆転させようとする知覚システムを訓練し、知覚誤差の上限を推定する。 次に、収縮理論を用いて安定化状態フィードバックコントローラと収束状態オブザーバを設計する。 この制御器が動的および不正確な状態推定における誤差を受ける場合、軌道追従誤差を導出する。
• 参考スコア（独自算出の注目度）: 6.950510860295866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a motion planning algorithm for a class of uncertain control-affine nonlinear systems which guarantees runtime safety and goal reachability when using high-dimensional sensor measurements (e.g., RGB-D images) and a learned perception module in the feedback control loop. First, given a dataset of states and observations, we train a perception system that seeks to invert a subset of the state from an observation, and estimate an upper bound on the perception error which is valid with high probability in a trusted domain near the data. Next, we use contraction theory to design a stabilizing state feedback controller and a convergent dynamic state observer which uses the learned perception system to update its state estimate. We derive a bound on the trajectory tracking error when this controller is subjected to errors in the dynamics and incorrect state estimates. Finally, we integrate this bound into a sampling-based motion planner, guiding it to return trajectories that can be safely tracked at runtime using sensor data. We demonstrate our approach in simulation on a 4D car, a 6D planar quadrotor, and a 17D manipulation task with RGB(-D) sensor measurements, demonstrating that our method safely and reliably steers the system to the goal, while baselines that fail to consider the trusted domain or state estimation errors can be unsafe.
• Abstract（参考訳）: 本稿では,高次元センサ計測(rgb-d画像など)と学習知覚モジュールを用いたフィードバック制御ループにおいて,実行時の安全性と目標到達性を保証する不確実性を有する非線形システムの動作計画手法を提案する。 まず、状態と観測のデータセットを与えられたとき、観測から状態のサブセットを反転させようとする知覚システムを訓練し、データの近くの信頼された領域において高い確率で有効な知覚誤差の上界を推定する。 次に,収縮理論を用いて安定化状態フィードバック制御器と,その状態推定を学習した知覚系を用いて更新する収束動的状態観測器を設計する。 この制御器が動的および不正確な状態推定における誤差を受ける場合、軌道追従誤差を導出する。 最後に、このバウンダリをサンプリングベースのモーションプランナに統合し、センサデータを用いて、実行時に安全に追跡可能なトラジェクトリを返却する。 我々は,4次元車,6次元平面四極子,RGB(-D)センサ計測による17次元操作タスクのシミュレーションにおいて,本手法が安全かつ確実な目標設定を行う一方で,信頼された領域や状態推定誤差を考慮できないベースラインが安全でないことを示す。

関連論文リスト

• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Safe Perception-Based Control under Stochastic Sensor Uncertainty using Conformal Prediction [27.515056747751053]
  本稿では,知覚マップの推定不確かさを定量化する知覚ベース制御フレームワークを提案する。 また、これらの不確実性表現を制御設計に統合する。 本稿では,LiDAR対応F1/10thカーに対する認識制御の有効性を示す。
  論文  参考訳（メタデータ） (2023-04-01T01:45:53Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems [1.0323063834827415]
  本研究では, 平均力学モデルを用いたサンプリングベースプランナを提案し, 学習外乱境界による閉ループ追従誤差を同時に有界化する。 この保証は,10次元四角形ロボットのシミュレーションや,クレージーフライ四角形ロボットとクリアパスジャカルロボットの現実世界でのシミュレーションにおいて,経験的安全性に変換されることを検証した。
  論文  参考訳（メタデータ） (2022-12-13T19:38:39Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
  本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。 まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。 次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
  論文  参考訳（メタデータ） (2021-11-18T23:21:00Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Model Error Propagation via Learned Contraction Metrics for Safe Feedback Motion Planning of Unknown Systems [4.702729080310267]
  本稿では,局所的に安定化可能な動的システムの収縮に基づくフィードバック動作計画法を提案する。 動的データセットが与えられたとき、本手法はダイナミクスの深い制御親和近似を学習する。 4dカー,6dクワッドローター,22d変形可能なオブジェクト操作タスクにおいて,高次元不動システムの学習モデルを用いて,提案手法を安全に提示する。
  論文  参考訳（メタデータ） (2021-04-18T03:34:00Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。