Density Planner: Minimizing Collision Risk in Motion Planning with Dynamic Obstacles using Density-based Reachability

要約

ロボット工学では不確実性が蔓延しています。
測定ノイズと複雑なダイナミクスのため、システムと環境の状態を正確に推定することはできません。
保守的なモーション プランナーは、混雑した不確実な環境で安全な制御戦略を見つけることが保証されていないため、密度ベースの方法を提案します。
私たちのアプローチは、ニューラル ネットワークと Liouville 方程式を使用して、不確実な初期状態を持つシステムの密度進化を学習します。
勾配ベースの最適化手順を適用して衝突リスクを最小限に抑えることで、実行可能でおそらく安全な軌道を計画できます。
シミュレートされた環境と実世界のデータから生成された環境で運動計画実験を行い、モデル予測制御や非線形計画法などのベースライン手法を凌駕します。
私たちの方法ではオフラインの計画が必要ですが、オンラインの実行時間はモデル予測制御と比較して 100 分の 1 です。

要約(オリジナル)

Uncertainty is prevalent in robotics. Due to measurement noise and complex dynamics, we cannot estimate the exact system and environment state. Since conservative motion planners are not guaranteed to find a safe control strategy in a crowded, uncertain environment, we propose a density-based method. Our approach uses a neural network and the Liouville equation to learn the density evolution for a system with an uncertain initial state. We can plan for feasible and probably safe trajectories by applying a gradient-based optimization procedure to minimize the collision risk. We conduct motion planning experiments on simulated environments and environments generated from real-world data and outperform baseline methods such as model predictive control and nonlinear programming. While our method requires offline planning, the online run time is 100 times smaller compared to model predictive control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google