NeSAM: 土壌適応を備えたオフロード移動のためのニューロシンボリック動力学

NeSAMは、オフロード車両の運動予測のためのニューロシンボリックフレームワークである。微分可能なBekker-Wong terramechanicsと学習された地形表現、Transformerベースの残差力学モデルを組み合わせ、長期的な6自由度のkinodynamic予測を行う。terramechanicsコンポーネントは土壌依存の相互作用力をモデル化し、残差モデルは解析的予測と観測された車両力学の間の不一致を補正する。さらに、地形観測から物理的に意味のある土壌パラメータを推定し、拡張カルマンフィルタを用いてオンラインで更新する。

既存の学習ベースのkinodynamicモデルは、データから直接車両と地形の相互作用を近似するが、土壌力学を明示的に表現せず、物理的解釈可能性が限定的である。NeSAMは、物理ベースのterramechanicsと学習ベースの残差モデルを統合することで、物理的解釈可能性を維持しつつ、予測精度を向上させる。また、オンラインの土壌適応により、変化する土壌条件に対応できる点が優れている。

NeSAMの手法の核は、微分可能なBekker-Wong terramechanicsモデルと学習された地形表現、Transformerベースの残差力学モデルの統合である。terramechanicsコンポーネントは土壌パラメータに基づいて相互作用力を計算し、残差モデルは解析モデルの誤差を補正する。土壌パラメータは地形観測から推定され、拡張カルマンフィルタによりオンライン更新される。これにより、長期的な6自由度の運動予測を高精度で行う。

NeSAMは、Chronoマルチフィジックスエンジンに基づくシミュレータVerti-Benchで評価され、物理的なVerti-4-Wheelerプラットフォームでも検証された。シミュレーションでは最大30%、実データでは29%の予測精度向上を達成した。また、閉ループナビゲーションコントローラと統合した場合、オンライン土壌適応により走行成功率が向上し、参照軌道へのHausdorff距離が69.4%減少し、軌道追従精度が改善された。

要旨からは、NeSAMの限界や議論についての詳細は不明である。ただし、物理ベースのモデルと学習ベースの残差モデルの統合は、計算コストやモデルの複雑さが増す可能性がある。また、土壌パラメータの推定が正確でない場合、予測精度に影響を与える可能性が考えられるが、具体的な議論は要旨には含まれていない。

要旨で参照されている関連研究としては、Bekker-Wong terramechanics、Transformerベースの残差力学モデル、拡張カルマンフィルタ、Chronoマルチフィジックスエンジン、Verti-Benchシミュレータなどが挙げられる。次に読むべき論文としては、これらの基礎となる研究や、オフロード車両のkinodynamic予測に関する最近の研究が考えられる。