自動運転/オフロード/運動力学適応2026/3/1arXiv:2603.06887

VertiAdaptor: 垂直障害地形のためのオンライン運動力学適応

VertiAdaptor: Online Kinodynamics Adaptation for Vertically Challenging Terrain

オフロード環境での自動運転向けに、標高と意味的埋め込みを統合し、関数エンコーダを用いて地形認識型の運動力学モデルと計画を実現するオンライン適応フレームワークを提案。学習済み空間での最小二乗計算により未知環境へ高速適応し、予測精度と適応時間を改善。

詳しい要約

1. どんなもの？

- オフロード自律走行のためのオンライン適応フレームワーク「VertiAdaptor (VA)」を提案。 - 標高とsemantic embeddingsを統合し、function encodersを用いてterrain-awareなkinodynamic modelingとplanningを実現。 - 車両-地形間の複雑な相互作用を捉えるため、複数のneural ordinary differential equation (NODE) basis functionsで張られるkinodynamic空間を学習。 - オフライン学習後、最小二乗計算により新規未見環境に迅速適応。 - Verti-Benchシミュレータと物理プラットフォームVerti-4-Wheelerで評価。

2. 先行研究と比べてどこがすごい？

- 従来のkinodynamicモデルは多様な幾何・意味的地形への汎化が困難。 - VAはオンライン適応を可能にし、予測精度を最大23.9%向上、適応時間を5倍高速化。 - 複雑で変化するオフロード環境における自律ロボットの堅牢性と信頼性を前進させる。

3. 技術・手法の肝は？

- 標高とsemantic embeddingsを統合し、function encodersでterrain-awareなkinodynamic modelingとplanningを実現。 - 複数のNODE basis functionsで張られるkinodynamic空間を学習し、車両-地形相互作用を捕捉。 - オフライン学習後、新規環境に最小二乗計算で高速適応。

4. どうやって有効だと検証した？

- Verti-Benchシミュレータ（Chrono multi-physics engineベース）で評価。 - シミュレーションと物理プラットフォームVerti-4-Wheelerの両方で性能検証。 - 予測精度最大23.9%向上、適応時間5倍高速化を確認。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法としてfunction encoders、neural ordinary differential equation (NODE)、Chrono multi-physics engine、Verti-Bench、Verti-4-Wheelerが挙げられる。 - 同分野の定番としてterrain-aware kinodynamic modelingやonline adaptationに関する研究が考えられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Tong Xu, Chenhui Pan, Aniket Datar, Xuesu Xiao

分類: cs.RO

原文アブストラクト

Autonomous driving in off-road environments presents significant challenges due to the dynamic and unpredictable nature of unstructured terrain. Traditional kinodynamic models often struggle to generalize across diverse geometric and semantic terrain types, underscoring the need for real-time adaptation to ensure safe and reliable navigation. We propose VertiAdaptor (VA), a novel online adaptation framework that efficiently integrates elevation with semantic embeddings to enable terrain-aware kinodynamic modeling and planning via function encoders. VA learns a kinodynamic space spanned by a set of neural ordinary differential equation basis functions, capturing complex vehicle-terrain interactions across varied environments. After offline training, the proposed approach can rapidly adapt to new, unseen environments by identifying kinodynamics in the learned space through a computationally efficient least-squares calculation. We evaluate VA within the Verti-Bench simulator, built on the Chrono multi-physics engine, and validate its performance both in simulation and on a physical Verti-4-Wheeler platform. Our results demonstrate that VA improves prediction accuracy by up to 23.9% and achieves a 5X faster adaptation time, advancing the robustness and reliability of autonomous robots in complex and evolving off-road environments.

arXivで原文を読む →arXiv概要ページ

← 論文一覧