这项工作引入了一种新的可穿越性概率表示,即机器人动力学模型中基于地形特征的参数分布。该模型是通过在在线识别的参数上拟合概率分布以自我监督的方式学习的,该参数被编码为以地形特征为输入的神经网络。然后,这项工作提出了两种风险感知规划算法,它们利用学习的可穿越性模型来规划风险感知轨迹。最后,基于高斯混合模型,提出了一种基于训练数据的不熟悉地形检测方法。实验表明,该方法在代表性导航任务的成功率和完成时间方面均优于假定标称或预期机器人动力学的现有工作。此外,当建议的方法部署在一个看不见的环境中时,在规划期间排除不熟悉的地形会提高成功率。 论文地址:https://arxiv.org/pdf/2210.00153.pdf 代码地址:https://github.com/mit-acl/mppi_numba
www.bilibili.com