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

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

Licences

• Accès libre
• Article: CC BY 4.0

Tout ce qui suit s'appuie sur l'article complet sous sa licence CC BY 4.0 ; sa figure est montrée en citant les auteurs.

En bref

Un modèle appris prédit les poses futures et le risque de défaillance d'ANYmal à partir d'un balayage de hauteur et de l'historique proprioceptif, de sorte qu'un planificateur MPPI peut planifier en toute sécurité avec seulement un terme d'objectif et un terme de risque.

Pourquoi c'est important

Comme les collisions et les terrains impraticables sont appris dans le modèle, la récompense du planificateur se réduit à deux termes et ne nécessite aucune carte de traversabilité construite à la main. Le modèle est entraîné pour un robot et une politique de locomotion spécifiques, si bien que ses prédictions reflètent cette plateforme, et il tourne à bord d'un Jetson Orin AGX avec 2048 trajectoires échantillonnées à 7 Hz.

Problème

Une navigation sûre en terrain accidenté nécessite une évaluation en temps réel de la traversabilité au regard de ce que peuvent faire le robot considéré et sa politique de locomotion. Les planificateurs fondés sur une dynamique simplifiée exigent des fonctions de coût conçues à la main et propres à chaque environnement, et le précédent modèle de dynamique directe appris pour quadrupèdes n'utilisait qu'un balayage LiDAR 2D, fonctionnait dans des scènes planes avec des obstacles 2D et n'a pas été transféré à un robot réel.

Solution proposée

Le Forward Dynamics Model perceptif encode un historique des états passés et des mesures proprioceptives avec un GRU et le balayage de hauteur courant avec un CNN ; un second GRU prend ensuite une séquence de commandes de vitesse et prédit, pour dix pas de 0,5 s, des corrections des vitesses commandées (intégrées en poses SE(2)) et une probabilité de défaillance. Il est pré-entraîné sur des données simulées d'Isaac Lab, collisions et chutes comprises, puis affiné sur des données réelles d'ANYmal. Un planificateur MPPI échantillonne des séquences d'actions, les déroule à travers le modèle et les sélectionne avec une récompense de distance à l'objectif et une pénalité de risque de défaillance.

Idées clés

• La simulation fournit des manœuvres dangereuses comme les chutes et les collisions, impossibles à collecter sur le matériel, tandis que les données réelles couvrent des effets hors de la simulation de corps rigides, comme le glissement sur la neige et l'enchevêtrement dans la végétation.
• Prédire des corrections de vitesse et les intégrer, plutôt que de prédire directement les poses, suit une formulation résiduelle par rapport aux actions commandées.
• Le balayage de hauteur est essentiel : le supprimer a augmenté l'erreur de position de 110 % en moyenne et abaissé le F1 de 0,13 (Appendix D).
• Conserver le terme de risque dans le planificateur a augmenté la réussite de 2,5 % dans les environnements 2D et de 4,6 % dans les environnements 3D, au prix de trajets plus lents et plus prudents.
• Une référence fondée sur un LiDAR 2D (2D-LiDAR) ne distingue pas les escaliers des murs et prédit donc trop souvent des collisions : rappel plus élevé, mais précision et F1 plus faibles.

Principaux résultats

• Erreur de position au dernier pas inférieure de 41,28 % à celle de la référence perceptive de Kim et al. et de 70,57 % à celle d'un modèle à vitesse constante, en moyenne sur tous les environnements (le résumé arrondit à 41 %).
• F1 de prédiction des défaillances de 0,90 dans les environnements 2D et de 0,85 dans les environnements 2D-3D et 3D (Table II). La Section VI indique une précision d'au moins 89 % et la conclusion d'au moins 89,20 %, alors que la précision la plus faible de la Table II est de 89,13 % (2D).
• Réussite de planification (Table III) : 88,33 % en 2D contre 78,33 % (Kim et al.) et 82,50 % (traversabilité heuristique) ; 73,75 % en 3D contre 48,75 % et 33,13 %. Le résumé présente cela comme un taux de réussite supérieur de 27 % dans des environnements de simulation accidentés, et la conclusion comme une réussite moyenne de 81 % pour atteindre l'objectif.
• L'affinage sur données réelles a réduit l'erreur de position moyenne de 34,38 % en forêt, de 30,55 % sur la neige et de 30,30 % sur la chaussée.
• À bord d'un Jetson Orin AGX : 40,6 ms d'inférence du modèle par itération avec 2048 trajectoires, planificateur à 7 Hz ; le modèle compte 1,16 million de paramètres et s'entraîne en environ huit heures sur une seule RTX 4090.
• Des modèles distincts entraînés en simulation pour ANYmal, Barry et ANYmal-on-Wheels ont donné des prédictions différentes, propres à chaque plateforme, pour les mêmes séquences d'actions.

Limites

• Le modèle reste dans un domaine principalement géométrique et est borné par la politique de locomotion ; il peut échouer sur une géométrie non vue à l'entraînement, comme des escaliers en colimaçon, des grottes ou des tunnels, ou dans des conditions extrêmes comme la glace ou la boue profonde.
• Les états de défaillance simulés ne se transposent pas parfaitement aux défaillances réelles, et les données réelles ne contiennent aucune collision en raison du risque d'endommager le matériel.
• MPPI nécessite toujours de régler la distribution des actions, les plages de commande et les facteurs de corrélation temporelle, et la configuration de simulation et d'apprentissage ajoute ses propres choix de conception.
• Les auteurs ne s'attendent pas à une généralisation au-delà du domaine d'entraînement, et la méthode ne prend en compte ni les normes sociales ni les agents dynamiques multiples et rapides.
• Dans les environnements plans, les défaillances sont rares (0,042 %) et probablement dues à des instabilités de la simulation, si bien que le F1 de prédiction des défaillances y est faible (0,10).

Impact sur le domaine

L'article a été finaliste du RSS 2025 Outstanding Systems Paper Award et compte 35 citations. Le code et les modèles sont publiés sur github.com/leggedrobotics/fdm.

Résumé

Garantir une navigation sûre dans des environnements complexes exige une évaluation précise et en temps réel de la traversabilité ainsi qu'une compréhension des interactions avec l'environnement au regard des capacités du robot. Les méthodes traditionnelles, qui supposent une dynamique simplifiée, nécessitent souvent de concevoir et de régler des fonctions de coût pour guider en toute sécurité les chemins ou les actions vers l'objectif. Ce processus est fastidieux, dépendant de l'environnement et non généralisable. Pour surmonter ces problèmes, nous proposons un nouveau Forward Dynamics Model (FDM) perceptif appris qui prédit l'état futur du robot conditionné par la géométrie environnante et l'historique des mesures proprioceptives, offrant une solution plus évolutive, plus sûre et sans heuristique. Le FDM est entraîné sur plusieurs années d'expérience de navigation simulée, y compris des manœuvres à haut risque, et sur des interactions réelles afin d'intégrer la dynamique complète du système au-delà de la simulation de corps rigides. Nous intégrons notre FDM perceptif dans un cadre de planification zero-shot Model Predictive Path Integral (MPPI), en exploitant la correspondance apprise entre actions, états futurs et probabilité de défaillance. Cela permet d'optimiser une fonction de coût simplifiée et élimine le besoin d'un réglage poussé des coûts pour garantir la sécurité. Sur le robot à pattes ANYmal, le FDM perceptif proposé améliore l'estimation de position de 41 % en moyenne par rapport à des références compétitives, ce qui se traduit par un taux de réussite de navigation supérieur de 27 % dans des environnements de simulation accidentés. En outre, nous démontrons un transfert sim-to-real efficace et montrons l'intérêt d'un entraînement sur des données synthétiques et réelles. Le code et les modèles sont rendus publics sur https://github.com/leggedrobotics/fdm.

Liens

• arXiv 2504.19322: https://arxiv.org/abs/2504.19322
• DOI 10.48550/arXiv.2504.19322: https://doi.org/10.48550/arXiv.2504.19322
• PDF: https://arxiv.org/pdf/2504.19322v1
• Code: https://github.com/leggedrobotics/fdm