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/2309.08863v2
- Date: Mon, 23 Oct 2023 12:41:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 07:29:20.724645
- 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、屋外の地形をナビゲートする移動ロボットにとって不可欠である。
本稿では,現実に実現可能なオンラインスリップとスキッド補償を備えた新しい軌道追跡手法を提案する。
実験の結果,軌道追跡システムの性能は27%以上向上した。
- 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: Compensating for slip and skid is crucial for mobile robots navigating
outdoor terrains. In these challenging environments, slipping and skidding
introduce uncertainties into trajectory tracking systems, potentially
compromising the safety of the vehicle. Despite research in this field, having
a real-world feasible online slip and skid compensation remains challenging due
to the complexity of wheel-terrain interaction in outdoor environments. This
paper proposes a novel trajectory tracking technique featuring real-world
feasible online slip and skid compensation at the vehicle level for
skid-steering mobile robots operating outdoors. The approach employs
sliding-mode control to design a robust trajectory tracking system, accounting
for the inherent uncertainties in this type of robot. To estimate the robot's
slipping and undesired skidding and compensate for them in real-time, two
previously developed deep learning models are integrated into the
control-feedback loop. The main advantages of the proposed technique are that
it (1) considers two slip-related parameters for the entire robot, as opposed
to the conventional approach involving two slip components for each wheel along
with the robot's skidding, and (2) has an online real-world feasible slip and
skid compensator, reducing the tracking errors in unforeseen environments.
Experimental results demonstrate a significant improvement, enhancing the
trajectory tracking system's performance by over 27%.
- Abstract（参考訳）: スリップとスキッドの補償は、屋外の地形を移動する移動ロボットにとって重要である。
このような困難な環境では、スリップとスキディングは軌道追跡システムに不確実性をもたらし、車両の安全性を損なう可能性がある。
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、屋外環境におけるホイール・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,屋外で動作する移動ロボットの車両レベルにおいて,現実的に実現可能なオンラインスリップとスキッド補償を備えた新たな軌道追跡手法を提案する。
このアプローチでは、このタイプのロボットに固有の不確実性を考慮して、ロバストな軌道追跡システムの設計にスライディングモード制御を用いる。
ロボットの滑りや望ましくないスキディングをリアルタイムで推定し、それらを補償するために、以前に開発された2つのディープラーニングモデルを制御フィードバックループに統合する。
提案手法の主な利点は,(1)車輪に2つのスリップ成分とロボットのスキディングとを併用する従来のアプローチとは対照的に,ロボット全体のスリップ関連パラメータを2つ考慮し,(2)オンライン実世界のスリップとスキッド補償機能を備え,予期せぬ環境におけるトラッキングエラーを低減できる点である。
実験の結果,軌道追跡システムの性能は27%以上向上した。
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。