Génération d'une supervision robuste pour la navigation visuelle basée sur l'apprentissage en utilisant l'accessibilité de Hamilton-Jacobi.

Résumé

Dans Bansal et al. (2019), un nouveau cadre de navigation visuelle qui combine des approches basées sur l'apprentissage et des approches basées sur un modèle a été proposé. Plus précisément, un réseau neuronal convolutif (CNN) prédit un point de passage qui est utilisé par le modèle dynamique pour planifier et suivre une trajectoire vers le point de passage. Cependant, le CNN fait inévitablement des erreurs de prédiction qui conduisent souvent à des collisions dans des espaces encombrés et étroits. Dans cet article, nous présentons une nouvelle méthode basée sur l'accessibilité de Hamilton-Jacobi (HJ) pour générer la supervision du CNN pour la prédiction du point de passage dans un environnement inconnu. En modélisant les erreurs de prédiction du CNN comme des "perturbations" dans la dynamique du robot, les points de cheminement générés sont robustes à ces perturbations, et par conséquent aux erreurs de prédiction. De plus, l'utilisation d'une analyse d'accessibilité HJ globalement optimale permet de prédire des waypoints qui sont efficaces en temps et évitent les comportements avides. Grâce à des simulations et des expériences matérielles, nous démontrons les avantages de l'approche proposée pour la navigation dans des environnements intérieurs étroits et encombrés.