⚡ electrical engineering

Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments

本論文は、サンプリングベースのAO-RRTプランナと逐次凸最適化を組み合わせ、条件付きバリュー・アット・リスク（CVaR）を利用することで、シミュレーションおよびハードウェア実験の両方において97%を超えるリスク低減を実現する、不確実な惑星環境におけるリスクを考慮したキネダイナミクス運動計画のための2段階フレームワークを提案する。

原著者： Sachin Sunil Kelkar, Tanmay Dokania, Yashwanth Kumar Nakka

公開日 2026-08-12

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Sachin Sunil Kelkar, Tanmay Dokania, Yashwanth Kumar Nakka

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、ロボットに霧の立ち込める深い森の中を歩く方法を教えようとしているところだと想像してください。ロボットには地図がありますが、その地図は完璧ではありません。木々の高さは描かれているものより少し高かったり低かったりするかもしれませんし、地面は滑りやすかったり、隠れた岩だらけだったりするかもしれません。もしロボットが地図に従って盲目的に進むだけなら、つまずいたり、転んだり、あるいは予期せぬ木に衝突したりする可能性があります。これはロボット工学における大きな課題の核心です。つまり、「世界がどのような姿をしているか」や「自分の動きがどう反応するか」について100％の確信が持てないときに、どのように経路を計画するかという問題です。科学者たちはこれを「不確実性下におけるモーションプランニング（経路計画）」と呼んでいます。それは単に最短ルートを見つけることではなく、何かが上手くいかない可能性を考慮した上で、「最も安全な」ルートを見つけることです。ロボットが火星を探索している場合、衝突が数百万ドルのミッションの終わりを意味することもあるため、推測で動くことは許されません。距離だけでなく、リスクを計算する方法が必要なのです。

この論文は、火星や月のような、塵や岩が転がる惑星の表面を探索するロボットのための、まさにその問題に取り組んでいます。ジョージア工科大学の研究者たちは、地形や自身の動きに不確実性がある場合でも安全にナビゲートできる、ロボットのための2段階の「脳」を開発しました。

第一に、ロボットはAO-RRT（漸近的に最適な急速探索ランダムツリー）と呼ばれる手法を使用します。これは、ハイカーが地図にダーツを投げ、どこに着地するかを確認するように、ロボットが森の中を通る多くの可能な経路を素早くスケッチするようなものだと考えてください。しかし、ここにはひねりがあります。単に最短の経路を選ぶのではなく、このロボットはあらゆるステップに対して「リスクスコア」を算出します。「もしここを通ったら、地面が滑りやすかった場合に岩に衝突する確率はどのくらいか？」と問いかけるのです。このロボットは、最悪のシナリオに焦点を当てるために、**条件付きバリュー・アット・リスク（CVaR）**という数学的ツールを使用します。ある経路が平均的には良く見えても、壊滅的な衝突を起こすわずかな可能性がある場合、このツールはその経路を危険としてフラグを立てます。

ロボットが安全な経路のラフなスケッチを描き終えると、第二のステップである**逐次凸計画法（SCP）**へと進みます。最初のスケッチが、手が震えて描かれたものだと想像してください。それは安全ですが、おそらく少しぎこちなかったり、ガタガタしたりしています。SCPは、その描き直された線を滑らかで安定した手で磨き上げる役割を果たします。そのラフな経路を取り込み、安全性の保証を維持したまま、動きをよりスムーズで効率的なものへと洗練させます。これは、ロボットが単に「曲がれそうに見える」だけでなく、滑ったり衝突したりすることなく、実際に「曲がれる」ことを確実にするための複雑な数学パズルを解く作業です。

研究者たちは、コンピュータ・シミュレーションと、岩の多い不確実な環境を模したラボ内の実機ロボット「Leoローバー」の2つの方法でこのシステムをテストしました。結果は驚くべきものでした。リスクを考慮せずに経路を計画させた場合、ロボットは効率的ではあるものの、0.94の結合衝突リスクを伴う経路を選択しました。この高いリスクスコアは、ロボットが障害物に衝突する可能性が極めて高く、ミッション失敗につながることを示していました。しかし、彼らのリスクを考慮した手法を用いたところ、ロボットは衝突リスクをわずか6 × 10⁻³（わずか0.006の確率）にまで低減した経路を見つけ出しました。さらに印象的なことに、リスクを考慮したプランニングは、エネルギーコスト（制御コスト）をほぼ同じに保ちながら、全体のリスクをリスクを考慮しない経路と比較して97%以上削減しました。

実機のハードウェアテストにおいて、ロボットは車輪が滑った際にも、粒子の粗い砂地の上でこれらの安全な経路を正常に追跡することができました。滑りやすい地面の不確実性にもかかわらず、ロボットは平均誤差わずか6 cmでコースを維持しました。この論文は、ロボットに最悪のシナリオを少しだけ「恐れる」ように教えることで、未知の世界を衝突することなく進むことができるようになり、宇宙探査をより安全で成功の可能性が高いものにできることを示しています。

技術要約：惑星環境における安全なナビゲーションのための、不確実性を考慮したリスク認識型キノダイナミック・モーションプランニング

問題提起

自律的な宇宙探査には、相互作用が未知である場合が多い環境において、ロボットエージェントが運動計画（モーションプランニング）を実行することが求められます。具体的には、地形メカニクス（例：車輪型ロボット用）の学習は、リスクの高い運動計画、危険な動作、あるいはミッションの失敗につながる不確実性を導入します。さらに、知覚ベースのシステムによる不確実性は、安全なナビゲーションの課題を悪化させます。アクチュエーションの劣化、モデル化されていない地形力学、およびセンサノイズを考慮しない従来のプランナーは、重大なミッション失敗のリスクがあります。これまでの研究では、リスクを考慮した幾何学的軌跡を扱ったり、リスク制約付きのコントローラを用いたリスク中立的なプランナーを使用したりしてきましたが、本論文は、リスクを考慮した初期軌跡を生成するために、学習された動力学モデル自体の不確実性を定量化する必要性に対処しています。

手法

提案手法は、2段階のフレームワークを通じて、リスク認識型のコスト最適キノダイナミック・モーションプランニングを実行します。

1. 不確実性の定量化とモデリング

動力学モデル: システムは、モデル化されていない動力学の残差 $d(x, u)$ を持つ、一次速度制御ロボットとしてモデル化されます。この残差は、リプシッツ連続なニューラルネットワークを用いて近似されます。
共形予測 (Conformal Prediction): ニューラルネットワークの出力の不確地を定量化するために、共形予測が採用されます。予測された残差動力学と真値（モーションキャプチャにより測定）の間の誤差を計算し、線形および角加速度の誤差に対して95%の信頼レベルでの信頼集合 $M$ を確立します。
リスクフィールドの構築: 不確実な障害物への近接性は、リスクフィールドとしてモデル化されます。境界不確実性スケール $\sigma_i$ を持つ各障害物 $i$ について、符号付き距離 $d_i(x)$ に基づいてリスクスコア $r_i(x)$ が計算されます。これらは、 $[0, 1]$ に限定された単一の RiskMap に融合されます。
リスク膨張型SDF: 符号付き距離関数（SDF）の障害物を、条件付き期待値（CVaR）のマージンによって外側に膨張させることで、ソフトなリスクペナルティが適用され、「RiskSDF」が制約境界として機能します。

2. 2段階のプランニング・フレームワーク

ステップA: リスク認識型 AO-RRT (初期軌跡生成)

非漸近的に最適な RRT アルゴリズムである AO-RRT が、動的に実行可能な軌跡を生成します。
クローズドループ・リスク計算: 標準的なプランナーとは異なり、ツリーのエッジは、不確実性集合 $M$ からの摂動をシミュレートしながら、ホライゾンにわたって閉ループ内でオープンループの参照を追跡することによって評価されます。
コスト関数: エッジコストは、アンサンブルの摂動シナリオにわたるソフト衝突制約違反の CVaR を組み込みます。これにより、初期軌跡は動力学と障害物位置の両方の不確実性を単一のショットで考慮し、時間整合性のあるリスク尺度を提供します。

ステップB: 逐次凸計画法 (SCP) による精緻化

AO-RRT の軌跡は、SCP の初期解として機能します。
最適化: 非線形問題は局所的に凸化されます。目的関数は、終端誤差、欠陥スラック、および SDF バッファ違反に対するペナルティとともに、制御努力量と CVaR（Rockafellar-Uryasev のエピグラフ定式化を使用）を共同で最小化します。
制約: 問題には、動力学、状態/制御境界、および真の SDF に対する安全クリアランスに関するアフィン制約が含まれます。リスクマップの勾配は、自動微分（JAX）を介して正確に計算されます。
ソルバー: 凸部分問題は、収束するまで CLARABEL ソルバーを使用して反復的に解かれ、非線形動力学が遵守されることを保証しながら、滑らかさとリスク低減を最適化します。

主な貢献

不確実性の定量化: 共形予測を用いて、学習ベースの動力学モデルの不確実性を定量化すること。
リスク認識型 AO-RRT: 初期軌跡を生成するために、クローズドループ・リスク計算（CVaR）をコスト関数として用いた AO-RRT を定式化すること。これにより、高リスク領域を本質的に回避する軌跡を生成します。
結合最適化: 非線形モーションプランニング問題を、AO-RRT によって提供されたホモトピー内で CVaR と制御コストを共同で最小化する局所凸最適化として定式化し、動的な実行可能性を保証すること。

実験結果

提案手法は、粒状の地形をナビゲートする、ZED 2i ステレオカメラと Jetson Orin AGX を搭載した Leo ローバーを用いたシミュレーションおよびハードウェア実験を通じて検証されました。

シミュレーション比較:
- リスク認識型コストなし: AO-RRT は制御コストを最小化しましたが、高リスク領域の直間を通過する軌跡を計画し、その結果、結合衝突リスクは 0.94 となりました。SCP による精緻化はこれを 0.29 に減少させましたが、軌跡は依然として高リスクのホモトピー内に留まりました。
- リスク認識型コストあり: AO-RRT は、低不確実性の障害物の近傍に初期軌跡を生成しました。その後の SCP 精緻化により、制御コスト 18.4 ユニットに対し、結合衝突リスク $6 \times 10^{-3}$ を達成しました。
- リスク低減: リスク認識型のアプローチは、軌跡全体にわたってリスク中立型のアプローチと比較して、~97% 以上のリスク低減を示しました。
ハードウェア性能:
- 地形に起因するホイールスリップにもかかわらず、スリップ調整されたフィードフォワード速度を用いる縮約ベースのコントローラは、計画された軌跡を RMS 誤差 6 cm で追従しました。
- システムは、ポイントクラウドからリスクマップを正常に構築し、障害物が豊富な環境において動的に実行可能な軌跡を実行しました。

重要性と主張

著者らは、本研究が惑星および月面ロボティクスにおけるモーションプランニングのための、より安全でリスク認識型のソリューションを提供すると主張しており、これはミッションの成功にとって極めて重要です。不確実性の定量化をキノダイナミック・プランニングのループに直接統合することで、本手法は、モデル化されていない動力学や知覚の不確実性によって引き起こされる、ミッションクリティカルな失敗や危険な操作の確率を大幅に減少させます。論文では、SCP 単体でも軌跡を精緻化することは可能ですが、高リスクのホモトピーから脱出することはできないため、AO-RRT によるリスク認識型の初期化が、報告された 97% のリスク低減を実現するために不可欠であると強調しています。具体的には、リスク認識型 AO-RRT ステップ単独で、リスク中立型と比較して **97% 少ないリスク**を持つ初期軌跡ソリューションを生成する一方で、リスク中立型 AO-RRT の後の SCP 精緻化は、結合衝突リスクを ~69%（0.94 から 0.29 へ）減少させるのみであり、高リスク領域からの脱出には失敗することを指摘しています。