Integration of Gaussian process regression in dynamic modelling of skid-steering robots

In recent years, mobile robotics has gained a lot of attention due to its versatility and broad applicability. One of the major challenges in this field is the development of a model capable of accurately describing the system dynamics to improve the navigation and control performance of the robot. This thesis focuses on the development of a hybrid model for a skid-steering mobile robot, combining physical modeling with data-driven techniques to obtain a better description of the real system. Therefore, a dynamic differential drive robot model, which does not account for effects of slip and other track-terrain interactions, is improved by adding a correction term obtained through the use of Gaussian Process Regression. The latter is used to compensate for all the effects that are not included in the standard differential drive model. In particular, both an offline and an online Gaussian Process algorithms have been developed, to study their advantages and limitations. All the tests were conducted in a high-fidelity simulation environment designed to accurately replicate the real robot dynamics, allowing to collect meaningful data without requiring the use of the physical system. The performance of the two approaches has been compared and validated in several tests with different inputs and under a variety of environmental conditions.

Negli ultimi anni, la robotica mobile ha ricevuto una notevole attenzione grazie alla sua versatilità e alla sua ampia applicabilità. Una delle principali sfide in questo ambito consiste nello sviluppo di modelli in grado di descrivere accuratamente la dinamica del sistema, così da migliorare le prestazioni di navigazione e controllo del robot. Questa tesi si concentra sullo sviluppo di un modello ibrido per un robot mobile di tipo skid-steering, combinando la modellazione fisica a tecniche basate sui dati per ottenere una rappresentazione più realistica del sistema reale. A tal fine, un modello dinamico differential drive, che non tiene in conto gli effetti di slittamento e delle interazioni tra i cingoli e il terreno, è stato migliorato mediante l'aggiunta di un termine di correzione ottenuto tramite Regressione del Processo Gaussiano. Quest'ultima viene utilizzata per compensare tutti gli effetti non inclusi nel modello differential drive standard. In particolare, sono stati sviluppati sia un algoritmo offline sia uno online basati sui Processi Gaussiani, al fine di analizzarne vantaggi e limitazioni. Tutti i test sono stati condotti in un ambiente di simulazione ad alta fedeltà progettato per replicare accuratamente la dinamica reale del robot, consentendo di raccogliere dati significativi senza la necessità di utilizzare il sistema fisico. Le prestazioni dei due approcci sono state infine confrontate e validate attraverso diversi test, con differenti ingressi e diverse condizioni dell'ambiente.