NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility

技術要約：NeSAM – 不整地移動のための土壌適応型ニューロ・シンボリック・キネマダイナミクス

問題提起
変形可能な地形におけるオフロード車両の運動を正確に予測することは、沈下、スリップ、およびトラクションを含む複雑な相互作用が局所的な土壌条件によって変化するため、非常に困難である。従来の平面的な運動学モデルは、圧力依存の沈下やせん断変形を考慮できていないため、予測された車両運動と実際に実現された運動との間に乖離が生じる。古典的なテラメカニクスモデル（例：Bekker-Wong）は物理的な解釈可能性を提供するものの、サスペンションのコンプライアンスやタイヤの変形といった車両固有の効果を捉えきれない可能性があり、またその土壌パラメータの推定が困難で、不均質な地形間で変動する。対照的に、純粋な学習ベースのキネマダイクスモデルは複雑な非線形性を捉えることができるが、地形を剛体として扱うことが多く、土壌力学の明示的な表現を欠いており、オンライン適応が困難であるという限界がある。

手法
著者らは、微分可能なテラメカニクス、学習された地形表現、およびTransformerベースの残差ダイナミクスモデルを統合したフレームワークであるNeSAM（Neuro-Symbolic Soil Adaptive Mobility）を提案する。システムは以下のコンポーネントを通じて動作する：

1. ニューロ・シンボリック・アーキテクチャ:

   • 入力: モデルは、車両状態 ($x_t$)、制御入力 ($u_t$)、および局所的な地形観測量 ($m_t$)（標高パッチ $m^e_t$ およびセマンティック・パッチ $m^s_t$ で構成される）を受け取る。
   • 地形エンコーディング: 分離されたU-Netオートエンコーダが標高データとセマンティック・データを処理し、潜在表現を生成する。セマンティック土壌事前分布ヘッド ($h_\theta$) は、セマンティック特徴を公称土壌パラメータ ($\bar{\theta}_t$) にマッピングする。
   • Transformerエンコーダ: 因果的Transformerが、相互作用トークンのシーケンス（過去の状態、制御、および地形コンテキストを組み合わせたもの）を処理し、時間的依存関係を捉える。
   • デュアルヘッド予測:
     • 沈下ヘッド: 相互作用の履歴に基づき、ホイールの沈下量 ($\hat{s}_t$) を予測し、テラメカニクスモデルに必要な変形変数を提供する。
     • 状態残差ヘッド: 解析モデルでは捉えきれない系統的な誤差（例：サスペンションのダイナミクス、荷重移動）を考慮するために、シャシーレベルの補正 ($\Delta x^{res}_t$) を予測する。
   • 微分可能なテラメカニクス: 予測された沈下量、ホイール角速度、および現在の土壌推定値を用いて、微分可能なBekker-Wongモデルをインスタンス化し、ホイールと地形の接触力 ($f^{BW}_{i,t}$) を計算する。
   • ニュートン・オイラー伝播: これらの力が集計され、ニュートン・オイラー方程式を通じて伝播することで、物理ベースの状態増分 ($\Delta x^{NE}_t$) が生成される。
   • 最終予測: 次の状態は $\hat{x}_{t+1} = x_t + \Delta x^{NE}_t + \Delta x^{res}_t$ として計算される。

2. オンライン土壌適応:

   • デプロイメント中、学習されたニューラルコンポーネントは固定されたままとなる。
   • 拡張カルマンフィルタ（EKF）が、土壌パラメータ ($\theta$) をオンラインで更新する。
   • EKFは、観測された車両速度と予測された速度の間の差異を利用して土壌補正 ($\Delta \theta$) を精緻化し、これにより、公称の土壌事前分布と実際の地形との間の不一致に対してシステムが適応することを可能にする。

主な貢献

• ニューロ・シンボリック・フレームワーク: 微分可能なBekker-Wongテラメカニクス、学習された地形表現、および長期間の6自由度（6-DoF）運動予測のためのTransformerベースの残差ダイナミクスを統合した新しいアーキテクチャ。
• オンライン適応: 予測された運動と実測された運動の乖離を用いて、物理的に解釈可能なテラメカニクスパラメータをオンラインで更新するEKFベースの手法。これにより、ニューラルネットワークを再学習させることなく、不均質な地形への適応を可能にする。
• 包括的な評価: ChronoベースのVerti-Benchシミュレータおよび物理的なVerti-4-Wheelerプラットフォームの両方での検証により、最先端の学習ベースのベースラインに対する改善を示し、残差ブランチと沈下予測の両方の必要性を確認するアブレーション研究を実施した。

実験結果
本論文では、NeSAMを純粋なエンドツーエンドのTransformer予測器およびTerrain-Attentive Learning (TAL) 変種と比較評価している：

• シミュレーション (Verti-Bench): NeSAMは、最強のベースラインと比較して予測誤差を最大**30%**削減した。具体的には、x, y, zの誤差をそれぞれ0.80m、0.78m、0.06mに、ヨー誤差を4.18°に減少させた。
• 物理実験 (Verti-Arena): NeSAMは、実世界のデータにおいてベースラインに対し予測精度を**29%**向上させ、Transformerベースラインと比較してx, y, zの誤差をそれぞれ17.1%、15.7%、36.8%減少させた。
• クローズドループ制御: 未知の土壌条件（OOD）下でモデル予測パス積分（MPPI）コントローラと統合した場合：
  • シミュレーション: オンライン土壌適応により、軌道完了率が0/5から4/5に増加し、参照軌道に対するハウスドルフ距離を**69.4%**減少させた。
  • 物理: 完了率は1/5から3/5に向上し、ロールおよびピッチの平均絶対誤差はそれぞれ21.2%および23.0%減少した。

意義と主張
著者らは、NeSAMが物理的な土壌力学を明示的にモデル化しながら、データ駆動型学習の柔軟性を維持することで、既存の手法の限界に対処していると主張している。その意義は、以下の点にある：

1. 変形可能な地形の効果（沈下、せん断）を考慮した、物理的に解釈可能な予測を提供できる（剛体表面モデルが見落とす点）。
2. 土壌パラメータのオンライン適応を可能にし、実際の土壌特性がセマンティック事前分布と異なる場合（OOD条件）でも、車両が正確な軌道追従を維持できるようにする。
3. シミュレーションおよび実世界のシナリオの両方において、優れた長期間の予測精度を達成し、オフロード移動のためのより信頼性の高い予測プランニングを促進する。

本論文では、一つの制限事項を認めている。それは、ホイールと地形の相互作用がBekker-Wong定式化によって十分に表現できると仮定している点である。パラメータの適応は可能であるが、基礎となる構成関係自体を変更することはできず、これらの仮定から大きく逸脱する地形においては性能が制限される可能性がある。今後の課題として、より豊かな微分可能な地形モデルの探索が示唆されている。