Real-Time Learning of Predictive Dynamic Obstacle Models for Robotic Motion Planning
作者: Stella Kombo, Masih Haseli, Skylar Wei, Joel W. Burdick
分类: cs.RO, cs.LG, eess.SY
发布日期: 2025-11-02
备注: 10 pages, 6 figures, submitted to IEEE International Conference on Robotics and Automation (ICRA) 2025
💡 一句话要点
提出一种基于Hankel-DMD的实时动态障碍物预测模型，用于机器人运动规划。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 动态障碍物预测 机器人运动规划 Hankel动态模态分解 低秩建模 实时学习
📋 核心要点
- 现有方法难以从部分和噪声数据中实时预测动态障碍物的非线性运动，这给机器人运动规划带来了挑战。
- 该论文提出了一种基于滑动窗口Hankel-DMD的在线学习框架，通过低秩建模和Cadzow投影实现去噪和预测。
- 实验表明，该方法在仿真和真实动态起重机测试平台上均能实现稳定的去噪和短时程预测，适用于实时控制。
📝 摘要（中文）
自主系统通常需要从部分和噪声数据中预测附近智能体的运动。本文旨在解决“我们能否实时学习到其他智能体运动的非线性预测模型？”这一问题。我们提出的在线框架使用改进的滑动窗口Hankel动态模态分解（Hankel-DMD）来去噪和预测此类动态。部分噪声测量被嵌入到Hankel矩阵中，而相关的Page矩阵支持奇异值硬阈值化（SVHT）以估计有效秩。Cadzow投影强制执行结构化的低秩一致性，从而产生去噪的轨迹和局部噪声方差估计。从这种表示中，构建了一个时变Hankel-DMD提升的线性预测器，用于多步预测。残差分析提供了方差跟踪信号，可以支持下游估计器和风险感知规划。我们在高斯和重尾噪声下的仿真以及动态起重机测试平台上进行了实验验证。结果表明，该方法实现了稳定的方差感知去噪和短时程预测，适合集成到实时控制框架中。
🔬 方法详解
问题定义：论文旨在解决机器人运动规划中，如何从带有噪声和不完整观测数据的环境中，实时预测动态障碍物的运动轨迹问题。现有方法在处理非线性动态和噪声数据时存在局限性，难以保证预测的准确性和实时性。
核心思路：论文的核心思路是利用动态模态分解（DMD）将非线性动态系统近似为线性系统，并通过Hankel矩阵嵌入和低秩建模来处理噪声和数据缺失问题。通过在线学习的方式，实时更新预测模型，以适应动态变化的环境。
技术框架：整体框架包含以下几个主要模块：1) 数据收集：从传感器获取动态障碍物的运动数据。2) Hankel矩阵构建：将时间序列数据嵌入到Hankel矩阵中，以捕捉动态系统的延迟信息。3) 奇异值硬阈值化（SVHT）：利用Page矩阵和SVHT估计Hankel矩阵的有效秩，并进行降噪。4) Cadzow投影：强制执行低秩一致性，进一步去噪并恢复缺失数据。5) Hankel-DMD预测：构建时变Hankel-DMD线性预测器，进行多步预测。6) 残差分析：跟踪预测残差的方差，为下游任务提供不确定性估计。
关键创新：该方法的主要创新在于：1) 提出了基于滑动窗口的在线Hankel-DMD学习框架，能够实时更新预测模型。2) 结合了奇异值硬阈值化和Cadzow投影，有效地去除了噪声并恢复了缺失数据。3) 提供了方差跟踪信号，为下游任务提供了不确定性估计。
关键设计：关键设计包括：1) Hankel矩阵的窗口大小和嵌入维度，需要根据具体应用场景进行调整。2) 奇异值硬阈值化的阈值选择，影响去噪效果和信息损失。3) Cadzow投影的迭代次数，需要在计算复杂度和收敛性之间进行权衡。4) Hankel-DMD预测器的阶数，决定了模型的复杂度和预测精度。
📊 实验亮点
实验结果表明，该方法在仿真和真实动态起重机测试平台上均能实现稳定的方差感知去噪和短时程预测。在仿真实验中，该方法在高斯和重尾噪声下均表现出良好的鲁棒性。在动态起重机实验中，该方法能够准确预测起重机的运动轨迹，为实时控制提供了可靠的依据。具体性能数据（例如预测误差、计算时间等）未在摘要中明确给出，属于未知信息。
🎯 应用场景
该研究成果可应用于各种需要预测动态环境的机器人应用中，例如：自动驾驶、无人机避障、人机协作等。通过准确预测障碍物的运动轨迹，机器人可以更好地规划路径、避免碰撞，提高安全性和效率。此外，该方法提供的方差估计可以用于风险感知的运动规划，进一步提升系统的鲁棒性。
📄 摘要（原文）
Autonomous systems often must predict the motions of nearby agents from partial and noisy data. This paper asks and answers the question: "can we learn, in real-time, a nonlinear predictive model of another agent's motions?" Our online framework denoises and forecasts such dynamics using a modified sliding-window Hankel Dynamic Mode Decomposition (Hankel-DMD). Partial noisy measurements are embedded into a Hankel matrix, while an associated Page matrix enables singular-value hard thresholding (SVHT) to estimate the effective rank. A Cadzow projection enforces structured low-rank consistency, yielding a denoised trajectory and local noise variance estimates. From this representation, a time-varying Hankel-DMD lifted linear predictor is constructed for multi-step forecasts. The residual analysis provides variance-tracking signals that can support downstream estimators and risk-aware planning. We validate the approach in simulation under Gaussian and heavy-tailed noise, and experimentally on a dynamic crane testbed. Results show that the method achieves stable variance-aware denoising and short-horizon prediction suitable for integration into real-time control frameworks.