Online Incremental Learning of the Terrain Traversal Cost in Autonomous Exploration

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00332830" target="_blank" >RIV/68407700:21230/19:00332830 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.roboticsproceedings.org/rss15/p40.html" target="_blank" >http://www.roboticsproceedings.org/rss15/p40.html</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.15607/RSS.2019.XV.040" target="_blank" >10.15607/RSS.2019.XV.040</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Online Incremental Learning of the Terrain Traversal Cost in Autonomous Exploration

Popis výsledku v původním jazyce

In this paper, we address motion efficiency in autonomous robot exploration with multi-legged walking robots that can traverse rough terrains at the cost of lower efficiency and greater body vibration. We propose a robotic system for online and incremental learning of the terrain traversal cost that is immediately utilized to reason about next navigational goals in building spatial model of the robot surrounding. The traversal cost experienced by the robot is characterized by incrementally constructed Gaussian Processes using Bayesian Committee Machine. During the exploration, the robot builds the spatial terrain model, marks untraversable areas, and leverages the Gaussian Process predictive variance to decide whether to improve the spatial model or decrease the uncertainty of the terrain traversal cost. The feasibility of the proposed approach has been experimentally verified in a fully autonomous deployment with the hexapod walking robot

Název v anglickém jazyce

Online Incremental Learning of the Terrain Traversal Cost in Autonomous Exploration

Popis výsledku anglicky

In this paper, we address motion efficiency in autonomous robot exploration with multi-legged walking robots that can traverse rough terrains at the cost of lower efficiency and greater body vibration. We propose a robotic system for online and incremental learning of the terrain traversal cost that is immediately utilized to reason about next navigational goals in building spatial model of the robot surrounding. The traversal cost experienced by the robot is characterized by incrementally constructed Gaussian Processes using Bayesian Committee Machine. During the exploration, the robot builds the spatial terrain model, marks untraversable areas, and leverages the Gaussian Process predictive variance to decide whether to improve the spatial model or decrease the uncertainty of the terrain traversal cost. The feasibility of the proposed approach has been experimentally verified in a fully autonomous deployment with the hexapod walking robot

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Online Proceedings of Robotics Science and Systems

ISBN

978-0-9923747-5-4

ISSN

—

e-ISSN

—

Počet stran výsledku

10

Strana od-do

—

Název nakladatele

Albert Ludwig University of Freiburg

Místo vydání

Freiburg im Breisgau

Místo konání akce

Freiburg

Datum konání akce

22. 6. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—