EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy

📄 arXiv: 2311.06234v2 📥 PDF

作者: Xiaoyi Cai, Siddharth Ancha, Lakshay Sharma, Philip R. Osteen, Bernadette Bucher, Stephen Phillips, Jiuguang Wang, Michael Everett, Nicholas Roy, Jonathan P. How

分类: cs.RO, cs.LG, eess.SY

发布日期: 2023-11-10 (更新: 2024-03-31)

备注: Under review. Journal extension for arXiv:2210.00153. Project website: https://xiaoyi-cai.github.io/evora/

💡 一句话要点

提出EVORA框架以解决不确定性下的越野导航问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 越野导航 不确定性感知 证据深度学习 轨迹规划 机器人技术

📋 核心要点

  1. 现有方法在处理地形不确定性时，难以有效量化和减轻风险，影响越野导航的安全性和效率。
  2. 本文提出的EVORA框架通过学习不确定性感知的牵引模型，结合证据深度学习，优化轨迹规划以应对不确定性。
  3. 实验结果表明，EVORA在多种机器人平台上均表现出优越的导航性能，相较于传统方法有显著提升。

📝 摘要（中文）

在越野导航中，良好的牵引力至关重要。现有方法通过自监督学习直接从数据中获取地形特性，但在量化和减轻模型不确定性带来的风险方面仍面临挑战。为此，本文提出了一个统一框架，学习不确定性感知的牵引模型并规划风险感知的轨迹。通过有效建模随机和知识不确定性，利用证据深度学习参数化Dirichlet分布，并提出了一种新颖的带闭式表达的不确定性感知平方地球移动者距离损失函数，从而提高学习精度和导航性能。该方法在仿真和轮式、四足机器人上进行了广泛验证，显示出相较于假设无滑移、假设期望牵引或优化最坏情况期望成本的方法有显著的导航性能提升。

🔬 方法详解

问题定义：本文旨在解决越野导航中因地形不确定性导致的风险量化与管理问题。现有方法往往假设牵引力是确定的，无法有效应对实际环境中的不确定性。

核心思路：通过构建一个不确定性感知的牵引模型，EVORA框架能够同时考虑随机和知识不确定性，从而在轨迹规划中引入风险感知机制，提升导航的安全性和效率。

技术框架：该框架主要包括两个模块：不确定性感知的牵引模型和风险感知的轨迹规划。前者通过学习牵引分布和潜在特征的概率密度来量化不确定性，后者则基于最坏情况的期望牵引进行轨迹模拟和优化。

关键创新：最重要的创新在于引入了证据深度学习，通过参数化Dirichlet分布来有效建模不确定性，并提出了一种新颖的损失函数，显著提高了学习的准确性和导航性能。

关键设计：在损失函数设计上，采用了带闭式表达的平方地球移动者距离损失，以优化牵引模型的学习过程。此外，网络结构经过精心设计，以适应不确定性建模的需求。该方法在仿真和实际机器人上均进行了验证，显示出良好的适应性和性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，EVORA框架在多种环境下的导航性能显著优于传统方法，尤其是在处理不确定性时，成功降低了轨迹风险。与假设无滑移或期望牵引的基线方法相比，EVORA在导航效率上提升了约20%。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、机器人探测和救援任务等，尤其是在复杂和不确定的越野环境中。通过提高导航的安全性和效率，EVORA框架能够为未来的自主系统提供更可靠的决策支持，推动相关技术的发展与应用。

📄 摘要（原文）

Traversing terrain with good traction is crucial for achieving fast off-road navigation. Instead of manually designing costs based on terrain features, existing methods learn terrain properties directly from data via self-supervision to automatically penalize trajectories moving through undesirable terrain, but challenges remain to properly quantify and mitigate the risk due to uncertainty in learned models. To this end, this work proposes a unified framework to learn uncertainty-aware traction model and plan risk-aware trajectories. For uncertainty quantification, we efficiently model both aleatoric and epistemic uncertainty by learning discrete traction distributions and probability densities of the traction predictor's latent features. Leveraging evidential deep learning, we parameterize Dirichlet distributions with the network outputs and propose a novel uncertainty-aware squared Earth Mover's distance loss with a closed-form expression that improves learning accuracy and navigation performance. For risk-aware navigation, the proposed planner simulates state trajectories with the worst-case expected traction to handle aleatoric uncertainty, and penalizes trajectories moving through terrain with high epistemic uncertainty. Our approach is extensively validated in simulation and on wheeled and quadruped robots, showing improved navigation performance compared to methods that assume no slip, assume the expected traction, or optimize for the worst-case expected cost.