33、利用机器学习实现移动机器人的地形可通行性分析

利用机器学习实现移动机器人的地形可通行性分析

1. 引言

在移动机器人领域，粗糙地形（如具有屈服性、几何形状复杂或不均匀的地形）的导航是一项极具挑战性的任务，其可通行性的量化分析是车辆动力学和移动机器人领域的复杂问题，尤其是在未知环境中。以往，Bekker 等学者对轮 - 土相互作用力学进行了研究，同时也有离散元模型（DEM）和粒子模型等用于捕捉地形屈服特性。近年来，基于机器学习的方法被用于在线估计地形参数，这类方法常被称为替代模型，在太空探索等领域具有重要应用价值。

本研究提出了一种利用基于机器学习的地形替代模型来模拟漫游车在软土上动力学的方法。通过注入平面虚拟力来反映车轮因漂移引起的切向运动，对接触模型进行了增强。该模型使用来自“Archimede”漫游车在模拟火星环境中的真实世界数据进行训练。主要贡献包括开发软地形的增强接触模型（ACM）、利用真实世界数据训练基于机器学习的替代模型、将模型集成到动态模拟器中并进行实验验证。

2. 方法

2.1 接触问题拆分

接触问题根据所考虑的力分量分为两部分：沿地平面法线的力（纯接触）和与该平面相切的力（摩擦行为）。刚体求解器仅模拟法向力，而切向力通过增强接触模型（ACM）计算，该模型考虑了每个车轮相对于上坡方向的方向及其行驶速度。ACM 由基于机器学习的替代模型（SM）和控制器模块（CM）组成。SM 使用在软地形上行驶并记录有效和指令运动的数据进行训练。

2.2 运动学和动力学

考虑一个全局参考系 $O_G$ 和一个带有 $O_R$ 参考系的漫游车。每个第 $i$ 个车轮的参考系定义为 $O_{w,i}$，漫游车遵循轨迹 $s(t)$。转向由位置