Bi-level Trajectory Optimization on Uneven Terrains with Differentiable Wheel-Terrain Interaction Model

在不平坦地形上的轮式车辆导航需要超越二维轨迹规划方法。具体而言，必须在规划过程中考虑车辆姿态的完整六个自由度变化及其相关的稳定性成本。为此，大多数最近的研究旨在学习神经网络模型来预测车辆的演变。然而，这种方法需要大量数据，并且存在泛化问题。在本文中，我们提出了一种纯粹的基于模型的方法，只需要地形的数字高程信息。具体而言，我们将轮胎-地形交互和六自由度姿态预测表达为非线性最小二乘（NLS）问题。因此，轨迹规划可以被视为一个双层优化问题。内部优化层预测沿着给定轨迹的地形上的姿态，而外层则改变轨迹本身以减少姿态的稳定性和运动学成本。我们在以下几个方面改进了最新技术。首先，我们展示了我们基于NLS的姿态预测与高保真物理引擎的输出非常接近。这个结果加上我们可以查询NLS求解器的梯度，使得我们的姿态预测器成为一个可微分的轮胎-地形交互模型。我们进一步利用这种可微性来高效地解决所提出的双层轨迹优化问题。最后，我们进行了大量实验，并与基线进行了比较，展示了我们的方法在获得平稳、稳定轨迹方面的有效性。

论文旨在解决机器人在不平坦地形上行驶的轨迹规划问题，通过建立纯模型的方法，只需要数字高程信息即可进行轨迹规划。

论文的关键思路是将轮子和地形的相互作用和六自由度姿态预测表达为非线性最小二乘问题，并将轨迹规划视为双层优化问题。

论文的亮点包括：1.将姿态预测与高保真物理引擎的输出进行比较，证明了模型的准确性；2.利用不同iable的轮子-地形相互作用模型，高效地解决了双层轨迹优化问题；3.通过实验表明，该方法可以得到平稳、稳定的轨迹。

近期的相关研究包括使用神经网络模型进行姿态预测的方法，但这些方法需要大量数据且存在泛化问题。