論文の概要: Trajectory Tracking Control of Skid-Steering Mobile Robots with Slip and
Skid Compensation using Sliding-Mode Control and Deep Learning
- arxiv url: http://arxiv.org/abs/2309.08863v1
- Date: Sat, 16 Sep 2023 03:58:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 18:51:27.186402
- Title: Trajectory Tracking Control of Skid-Steering Mobile Robots with Slip and
Skid Compensation using Sliding-Mode Control and Deep Learning
- Title（参考訳）: スライディングモード制御とディープラーニングを用いたスリップ・スキッド補償を用いたスキッドステアリング移動ロボットの軌道追従制御
- Authors: Payam Nourizadeh, Fiona J Stevens McFadden, Will N Browne
- Abstract要約: スリップとスキッドの補償は、屋外環境や不均一な地形での移動ロボットのナビゲーションに不可欠である。
本稿では,車両レベルでのオンラインスリップとスキド補償を現実的に実現可能な新しい軌道追跡手法を提案する。
実験の結果,スリップ・アンド・スキド補償器を用いた制御器は軌道追従システムの性能を27%以上向上することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Slip and skid compensation is crucial for mobile robots' navigation in
outdoor environments and uneven terrains. In addition to the general slipping
and skidding hazards for mobile robots in outdoor environments, slip and skid
cause uncertainty for the trajectory tracking system and put the validity of
stability analysis at risk. Despite research in this field, having a real-world
feasible online slip and skid compensation is still challenging due to the
complexity of wheel-terrain interaction in outdoor environments. This paper
presents a novel trajectory tracking technique with real-world feasible online
slip and skid compensation at the vehicle-level for skid-steering mobile robots
in outdoor environments. The sliding mode control technique is utilized to
design a robust trajectory tracking system to be able to consider the parameter
uncertainty of this type of robot. Two previously developed deep learning
models [1], [2] are integrated into the control feedback loop to estimate the
robot's slipping and undesired skidding and feed the compensator in a real-time
manner. The main advantages of the proposed technique are (1) considering two
slip-related parameters rather than the conventional three slip parameters at
the wheel-level, and (2) having an online real-world feasible slip and skid
compensator to be able to reduce the tracking errors in unforeseen
environments. The experimental results show that the proposed controller with
the slip and skid compensator improves the performance of the trajectory
tracking system by more than 27%.
- Abstract（参考訳）: スリップとスキッド補償は、屋外環境や不均一な地形における移動ロボットの航行に不可欠である。
屋外環境における移動ロボットの一般的な滑りやスキディングの危険性に加えて、滑りやスキッドは軌道追尾システムの不確実性を引き起こし、安定性解析の妥当性を危険にさらす。
この分野での研究にもかかわらず、実世界のオンラインスリップとスキッド補償は、屋外環境でのホイール・テライン相互作用の複雑さのため、依然として困難である。
本稿では,屋外におけるスキッドステアリング型移動ロボットのための実世界のオンラインスリップとスキッド補償を用いた新しい軌道追跡手法を提案する。
このスライディングモード制御技術を用いて、ロバストな軌道追跡システムを設計し、このタイプのロボットのパラメータの不確かさを考慮できる。
従来開発された2つのディープラーニングモデル[1],[2]を制御フィードバックループに統合し、ロボットの滑走と望ましくないスキディングを推定し、補償器をリアルタイムに供給する。
提案手法の主な利点は,(1)車輪レベルでの従来の3つのスリップパラメータよりも2つのスリップ関連パラメータを考慮し,(2)オンライン実世界で実現可能なスリップとスキッド補償装置を備え,予期せぬ環境での追跡誤差を低減できる点である。
実験の結果,スリップ・スキッド補償器を用いた制御器は,軌道追尾システムの性能を27%以上向上させることがわかった。
関連論文リスト
- Hybrid Imitation-Learning Motion Planner for Urban Driving [0.0]
本稿では,学習ベースと最適化ベースを融合した新しいハイブリッドモーションプランナを提案する。
我々のモデルは、これらの目的に固有のトレードオフを緩和し、安全性と人間の類似性を効果的にバランスさせます。
シミュレーション実験により本手法を検証し,現実の自動運転車に導入することで,その有効性を更に実証する。
論文 参考訳（メタデータ） (2024-09-04T16:54:31Z) - Robot Navigation with Entity-Based Collision Avoidance using Deep Reinforcement Learning [0.0]
本稿では,ロボットのさまざまなエージェントや障害物との相互作用を高める新しい手法を提案する。
このアプローチでは、エンティティタイプに関する情報を使用し、衝突回避を改善し、より安全なナビゲーションを保証する。
本研究では,大人,自転車乗り,子供,静的障害物など,さまざまな物体との衝突に対してロボットをペナルティ化する新たな報酬関数を提案する。
論文 参考訳（メタデータ） (2024-08-26T11:16:03Z) - Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。
現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。
本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
論文 参考訳（メタデータ） (2024-07-02T21:00:30Z) - Autonomous Control of a Novel Closed Chain Five Bar Active Suspension via Deep Reinforcement Learning [0.6456676618238324]
本稿では,シャーシ安定化に着目したアクティブサスペンションシステムについて述べる。
SACをPID(Proportional Integral Derivative)コントロールと併用してシャシーを安定化した。
モデルは、周囲の障害物からの距離、障害物の高さ、シャシーの向きを利用して、サスペンションの制御リンクを正確に作動させる。
論文 参考訳（メタデータ） (2024-06-27T05:27:39Z) - Real2Sim2Real Transfer for Control of Cable-driven Robots via a
Differentiable Physics Engine [9.268539775233346]
テンセグリティロボットは、高い強度と重量比と大きな変形を示す。
しかし、それらは高次元性、複雑な力学、結合アーキテクチャのために制御が難しい。
本稿では,Real2Sim2Real(R2S2R)戦略について述べる。
論文 参考訳（メタデータ） (2022-09-13T18:51:26Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait
Representation [78.92147339883137]
本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。
本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。
生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
論文 参考訳（メタデータ） (2022-05-02T19:49:53Z) - Coupling Vision and Proprioception for Navigation of Legged Robots [65.59559699815512]
我々は視覚と受容の相補的な強みを利用して、脚のあるロボットでポイントゴールナビゲーションを実現する。
車輪付きロボット(LoCoBot)のベースラインよりも優れた性能を示す。
また,センサーと計算能力を備えた四足歩行ロボットに,我々のシステムを実環境に展開することも示す。
論文 参考訳（メタデータ） (2021-12-03T18:59:59Z) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2021-10-02T01:21:38Z) - Autonomous Navigation of Underactuated Bipedal Robots in
Height-Constrained Environments [20.246040671823554]
本稿では,二足歩行ロボットのためのエンドツーエンドの自律ナビゲーションフレームワークを提案する。
平面歩行と垂直歩行高さの結合力学を捉えるために,垂直移動式Spring-Loaded Inverted Pendulum (vSLIP)モデルを導入した。
可変歩行高さ制御装置を利用して、二足歩行ロボットは、計画された軌跡に従いながら、安定した周期歩行歩行を維持できる。
論文 参考訳（メタデータ） (2021-09-13T05:36:14Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z)
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。