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

Technische Samenvatting: NeSAM – Neuro-symbolische Kinodynamica met Bodemadaptatie voor Off-road Mobiliteit

Probleemstelling
Nauwkeurige voorspelling van de beweging van off-road voertuigen over vervormbaar terrein is uitdagend vanwege complexe interacties waarbij verzakking (sinkage), slip en tractie een rol spelen, die variëren met de lokale bodemgesteldheid. Conventionele planaire kinematische modellen houden geen rekening met drukafhankelijke verzakking en afschuiving, wat leidt tot discrepanties tussen de voorspelde en de werkelijke beweging van het voertuig. Hoewel klassieke terramechanica-modellen (bijv. Bekker-Wong) fysieke interpreteerbaarheid bieden, vertrouwen zij op voorgeschreven constitutieve relaties die mogelijk geen voertuigspecifieke effecten zoals ophangingscompliantie of bandvervorming kunnen vangen, en hun bodemparameters zijn moeilijk te schatten en variëren over heterogene terreinen. Daarentegen kunnen puur op leren gebaseerde kinodynamische modellen complexe nietlineariteiten vangen, maar behandelen zij het terrein vaak als rigide, missen zij een expliciete representatie van bodemmechanica en bieden zij beperkte fysieke interpreteerbaarheid, wat online adaptatie bemoeilijkt.

Methodologie
De auteurs stellen NeSAM (Neuro-Symbolic Soil Adaptive Mobility) voor, een raamwerk dat differentieerbare terramechanica integreert met geleerde terreinrepresentaties en een Transformer-gebaseerd residueel dynamica-model. Het systeem werkt via de volgende componenten:

1. Neuro-symbolische Architectuur:

   • Input: Het model neemt voertuigtoestanden ($x_t$), controle-inputs ($u_t$) en lokale terreinobservaties ($m_t$) aan, bestaande uit hoogtepatches ($m^e_t$) en semantische patches ($m^s_t$).
   • Terrein-encoding: Afzonderlijke U-Net autoencoders verwerken de hoogte- en semantische data om latente representaties te produceren. Een semantische bodem-prior head ($h_\theta$) brengt semantische kenmerken in kaart naar nominale bodemparameters ($\bar{\theta}_t$).
   • Transformer Encoder: Een causale Transformer verwerkt een sequentie van interactie-tokens (combinatie van eerdere toestanden, controles en terreincontexten) om temporele afhankelijkheden te vangen.
   • Dual-Head Voorspelling:
     • Verzakingshead (Sinkage Head): Voorspelt de wielverzakkingen ($\hat{s}_t$) op basis van de interactiegeschiedenis, wat de benodigde deformatievariabelen voor het terramechanica-model levert.
     • Toestand-residuele Head (State-Residual Head): Voorspelt een chassis-niveau correctie ($\Delta x^{res}_t$) om systematische fouten op te vangen die niet door analytische modellen worden gedekt (bijv. ophangingsdynamica, lastoverdracht).
   • Differentieerbare Terramechanica: De voorspelde verzakkingen, wielhoeksnelheden en huidige bodemschattingen instantiëren een differentieerbaar Bekker-Wong model om wiel-terrein contactkrachten ($f^{BW}_{i,t}$) te berekenen.
   • Newton-Euler Propagatie: Deze krachten worden geaggregeerd en gepropageerd door Newton-Euler vergelijkingen om een fysica-gebaseerde toestandstoename ($\Delta x^{NE}_t$) te genereren.
   • Eindvoorspelling: De volgende toestand wordt berekend als $\hat{x}_{t+1} = x_t + \Delta x^{NE}_t + \Delta x^{res}_t$.

2. Online Bodemadaptatie:

   • Tijdens de inzet blijven de geleerde neurale componenten vaststaan.
   • Een Extended Kalman Filter (EKF) werkt de bodemparameters ($\theta$) online bij.
   • De EKF gebruikt een buffer van geobserveerde voertuigsnelheden versus voorspelde snelheden om de bodemcorrectie ($\Delta \theta$) te verfijnen, waardoor het systeem kan adapteren aan discrepanties tussen de nominale bodemprior en de werkelijke terreinomstandigheden.

Belangrijkste Bijdragen

• Neuro-symbolisch Raamwerk: Een nieuwe architectuur die differentieerbare Bekker-Wong terramechanica, geleerde terreinrepresentaties en Transformer-gebaseerde residuele dynamica combineert voor langetermijn, zes vrijheidsgraden (6-DoF) bewegingsvoorspelling.
• Online Adaptatie: Een EKF-gebaseerde methode die fysiek interpreteerbare terramechanica-parameters bijwerkt met behulp van de discrepantie tussen voorspelde en gemeten beweging, wat adaptatie aan heterogene bodems mogelijk maakt zonder het neurale netwerk opnieuw te trainen.
• Uitgebreide Evaluatie: Validatie in zowel de Chrono-gebaseerde Verti-Bench simulator als op een fysiek Verti-4-Wheeler platform, waarbij verbeteringen worden aangetoond ten opzichte van state-of-the-art learning-gebaseerde baselines en ablatie studies bevestigen dat zowel de residuele tak als de verzakingsvoorspelling noodzakelijk zijn.

Experimentele Resultaten
Het artikel evalueert NeSAM tegenover pure end-to-end Transformer-voorspellers en Terrain-Attentive Learning (TAL) varianten:

• Simulatie (Verti-Bench): NeSAM verminderde de voorspellingsfouten met maximaal 30% vergeleken met de sterkste baselines. Specifiek verminderde het x, y, en z fouten tot respectievelijk 0,80m, 0,78m en 0,06m, en de yaw-fout tot 4,18°.
• Fysieke Experimenten (Verti-Arena): NeSAM verbeterde de voorspellingsnauwkeurigheid met 29% op real-world data ten opzichte van baselines, waarbij x, y, en z fouten respectievelijk met 17,1%, 15,7% en 36,8% werden verminderd vergeleken met een Transformer baseline.
• Closed-Loop Controle: Wanneer geïntegreerd met een Model Predictive Path Integral (MPPI) controller onder out-of-distribution (OOD) bodomstandigheden:
  • Simulatie: Online bodemadaptatie verhoogde de trajectvoltooiing van 0/5 naar 4/5 en verminderde de Hausdorff-afstand tot het referentietraject met 69,4%.
  • Fysiek: Voltooiingspercentages verbeterden van 1/5 naar 3/5, waarbij de gemiddelde absolute roll- en pitch-fouten met respectievelijk 21,2% en 23,0% werden verminderd.

Significantie en Claims
De auteurs beweren dat NeSAM de beperkingen van bestaande methoden aanpakt door expliciet bodemmechanica te modelleren terwijl de flexibiliteit van data-gedreven leren behouden blijft. De significantie ligt in het vermogen om:

1. Fysiek interpreteerbare voorspellingen te leveren die rekening houden met vervormbare terreineffecten (verzakking, afschuiving) die rigide-oppervlak modellen missen.
2. Online adaptatie van bodemparameters mogelijk te maken, waardoor het voertuig zelfs wanneer de werkelijke bodem eigenschappen afwijken van de semantische prior (OOD condities), nauwkeurige trajectvolging kan behouden.
3. Superieure langetermijn-voorspellingsnauwkeurigheid te bereiken in zowel simulatie als real-world scenario's, wat betrouwbaardere voorspellende planning voor off-road mobiliteit faciliteert.

Het artikel erkent een beperking: het raamwerk gaat ervan uit dat wiel-terrein interacties adequaat kunnen worden gerepresenteerd door de Bekker-Wong formulering. Hoewel parameters kunnen worden aangepast, kunnen de onderliggende constitutieve relaties niet worden gewijzigd, wat potentieel de prestaties kan beperken op terreinen die significant afwijken van deze aannames. Toekomstig werk suggereert het verkennen van rijkere differentieerbare terreinmodellen.