Learned Perceptive Forward Dynamics Model for Safe and Platform-aware Robotic Navigation

Autoren: Pascal Roth, Jonas Frey, Cesar Cadena, Marco Hutter · RSS 2025

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

Ein gelerntes Modell sagt aus einem Höhenscan und der propriozeptiven Historie die zukünftigen Posen und das Ausfallrisiko von ANYmal vorher, sodass ein MPPI-Planer nur mit einem Zielterm und einem Risikoterm sicher planen kann.

Warum es wichtig ist

Da Kollisionen und unbefahrbares Gelände in das Modell hineingelernt sind, reduziert sich die Belohnung des Planers auf zwei Terme und benötigt keine handgefertigte Befahrbarkeitskarte. Das Modell wird für einen bestimmten Roboter und eine bestimmte Fortbewegungs-Policy trainiert, sodass seine Vorhersagen diese Plattform widerspiegeln, und es läuft an Bord eines Jetson Orin AGX mit 2048 gesampelten Trajektorien bei 7 Hz.

Problem

Sichere Navigation in rauem Gelände erfordert eine Echtzeitbewertung der Befahrbarkeit im Verhältnis dazu, was der konkrete Roboter und seine Fortbewegungs-Policy leisten können. Planer, die auf vereinfachter Dynamik beruhen, benötigen handentworfene, umgebungsspezifische Kostenfunktionen, und das frühere gelernte Vorwärtsdynamikmodell für Vierbeiner nutzte nur einen 2D-LiDAR-Scan, funktionierte in ebenen Szenen mit 2D-Hindernissen und wurde nicht auf einen realen Roboter übertragen.

Lösungsansatz

Das perzeptive Forward Dynamics Model kodiert eine Historie vergangener Zustände und propriozeptiver Messungen mit einer GRU und den aktuellen Höhenscan mit einem CNN; eine zweite GRU nimmt dann eine Folge von Geschwindigkeitskommandos auf und sagt für zehn Schritte von 0,5 s Korrekturen der kommandierten Geschwindigkeiten (integriert zu SE(2)-Posen) sowie eine Ausfallwahrscheinlichkeit vorher. Es wird auf simulierten Daten aus Isaac Lab, einschließlich Kollisionen und Stürzen, vortrainiert und auf realen ANYmal-Daten feinabgestimmt. Ein MPPI-Planer sampelt Aktionssequenzen, rollt sie durch das Modell aus und wählt sie mit einer Belohnung für die Zieldistanz und einer Strafe für das Ausfallrisiko aus.

Wichtigste Erkenntnisse

Die Simulation liefert gefährliche Manöver wie Stürze und Kollisionen, die sich auf Hardware nicht sammeln lassen, während reale Daten Effekte außerhalb der Starrkörpersimulation abdecken, etwa Rutschen auf Schnee und Verfangen in Vegetation.
Geschwindigkeitskorrekturen vorherzusagen und zu integrieren, statt Posen direkt vorherzusagen, folgt einer Residualformulierung über den kommandierten Aktionen.
Der Höhenscan ist entscheidend: Sein Entfernen erhöhte den Positionsfehler im Durchschnitt um 110 % und senkte F1 um 0,13 (Appendix D).
Den Risikoterm im Planer beizubehalten, steigerte den Erfolg um 2,5 % in 2D- und um 4,6 % in 3D-Umgebungen, auf Kosten langsamerer, vorsichtigerer Pfade.
Eine 2D-LiDAR-Baseline kann Treppen nicht von Wänden unterscheiden und sagt daher zu oft Kollisionen vorher: höherer Recall, aber geringere Precision und F1.

Hauptergebnisse

Positionsfehler im letzten Schritt 41,28 % geringer als bei der perzeptiven Baseline von Kim et al. und 70,57 % geringer als bei einem Modell konstanter Geschwindigkeit, gemittelt über alle Umgebungen (das Abstract rundet dies auf 41 %).
F1 der Ausfallvorhersage von 0,90 in 2D- und 0,85 in 2D-3D- und 3D-Umgebungen (Table II). Section VI nennt eine Genauigkeit von mindestens 89 % und das Fazit mindestens 89,20 %, während die niedrigste Genauigkeit in Table II 89,13 % (2D) beträgt.
Planungserfolg (Table III): 88,33 % in 2D gegenüber 78,33 % (Kim et al.) und 82,50 % (heuristische Befahrbarkeit); 73,75 % in 3D gegenüber 48,75 % und 33,13 %. Das Abstract gibt dies als um 27 % höhere Erfolgsrate in rauen Simulationsumgebungen an, das Fazit als durchschnittlich 81 % Zielerfolg.
Fine-Tuning mit realen Daten verringerte den mittleren Positionsfehler um 34,38 % im Wald, 30,55 % im Schnee und 30,30 % auf Asphalt.
An Bord eines Jetson Orin AGX: 40,6 ms Modellinferenz pro Iteration mit 2048 Trajektorien, Planer mit 7 Hz; das Modell hat 1,16 Millionen Parameter und trainiert in etwa acht Stunden auf einer RTX 4090.
Separate Modelle, in der Simulation für ANYmal, Barry und ANYmal-on-Wheels trainiert, lieferten für dieselben Aktionssequenzen unterschiedliche, plattformspezifische Vorhersagen.

Einschränkungen

Das Modell bleibt in einer vorwiegend geometrischen Domäne und ist durch die Fortbewegungs-Policy begrenzt; es kann an im Training nicht gesehener Geometrie wie Wendeltreppen, Höhlen oder Tunneln oder unter extremen Bedingungen wie Eis oder tiefem Schlamm scheitern.
Simulierte Ausfallzustände übertragen sich nicht perfekt auf reale Ausfälle, und reale Daten enthalten wegen des Risikos von Hardwareschäden keine Kollisionen.
MPPI erfordert weiterhin das Abstimmen der Aktionsverteilung, der Kommandobereiche und der zeitlichen Korrelationsfaktoren, und der Simulations- und Lernaufbau bringt eigene Designentscheidungen mit sich.
Die Autoren erwarten keine Generalisierung über die Trainingsdomäne hinaus, und die Methode berücksichtigt weder soziale Normen noch schnell bewegte und mehrere dynamische Agenten.
In ebenen Umgebungen sind Ausfälle selten (0,042 %) und wahrscheinlich durch Instabilitäten der Simulation verursacht, sodass der F1-Wert der Ausfallvorhersage dort niedrig ist (0,10).

Wirkung auf das Fachgebiet

Das Paper war Finalist für den RSS 2025 Outstanding Systems Paper Award und hat 35 Zitierungen. Code und Modelle sind unter github.com/leggedrobotics/fdm veröffentlicht.

Zusammenfassung

Sichere Navigation in komplexen Umgebungen erfordert eine genaue Echtzeitbewertung der Befahrbarkeit und ein Verständnis der Interaktionen mit der Umgebung im Verhältnis zu den Fähigkeiten des Roboters. Traditionelle Methoden, die eine vereinfachte Dynamik annehmen, erfordern oft das Entwerfen und Abstimmen von Kostenfunktionen, um Pfade oder Aktionen sicher zum Ziel zu führen. Dieser Prozess ist mühsam, umgebungsabhängig und nicht generalisierbar. Um diese Probleme zu überwinden, schlagen wir ein neuartiges gelerntes perzeptives Forward Dynamics Model (FDM) vor, das den zukünftigen Zustand des Roboters abhängig von der umgebenden Geometrie und der Historie propriozeptiver Messungen vorhersagt, und bieten damit eine besser skalierbare, sicherere und heuristikfreie Lösung. Das FDM wird auf mehreren Jahren simulierter Navigationserfahrung, einschließlich riskanter Manöver, sowie auf realen Interaktionen trainiert, um die vollständige Systemdynamik über die Starrkörpersimulation hinaus einzubeziehen. Wir integrieren unser perzeptives FDM in ein Zero-Shot-Planungsframework auf Basis von Model Predictive Path Integral (MPPI) und nutzen die gelernte Abbildung zwischen Aktionen, zukünftigen Zuständen und Ausfallwahrscheinlichkeit. Dies erlaubt die Optimierung einer vereinfachten Kostenfunktion und macht aufwendiges Abstimmen der Kosten zur Gewährleistung der Sicherheit überflüssig. Auf dem Laufroboter ANYmal verbessert das vorgeschlagene perzeptive FDM die Positionsschätzung im Durchschnitt um 41 % gegenüber konkurrenzfähigen Baselines, was sich in einer um 27 % höheren Navigationserfolgsrate in rauen Simulationsumgebungen niederschlägt. Darüber hinaus demonstrieren wir einen effektiven Sim-to-Real-Transfer und zeigen den Nutzen des Trainings auf synthetischen und realen Daten. Code und Modelle sind öffentlich verfügbar unter https://github.com/leggedrobotics/fdm.

Open Source Robotics