Leveraging Scene Embeddings for Gradient-Based Motion Planning in Latent Space

要約

構造化された潜在空間における最適化として構成される運動計画は、最近、計画成功の点で従来の方法と競合し、計算速度の点では従来の方法を大きく凌駕するようになった。しかし、この領域における最近の研究の実世界での適用性は、障害物情報を状態空間で直接表現する必要があり、単純な幾何学的プリミティブを含むため、依然として限定的である。本研究では、学習されたシーン埋め込みとロボットマニピュレータの生成モデルを活用して最適化プロセスを推進することで、この課題に対処します。さらに、効率的な衝突チェックのアプローチを導入することで、プランニングのための最適化を直接的に正則化する。シミュレーションと実世界での実験により、我々のアプローチであるAMP-LSが、計算速度において従来の計画ベースラインを一桁上回りながら、斬新で複雑なシーンでの計画を成功させることができることを証明する。その結果、実世界のダイナミックなシーンでクローズドループプランニングを可能にするのに十分な速度のシステムが得られたことを示す。

要約(オリジナル)

Motion planning framed as optimisation in structured latent spaces has recently emerged as competitive with traditional methods in terms of planning success while significantly outperforming them in terms of computational speed. However, the real-world applicability of recent work in this domain remains limited by the need to express obstacle information directly in state-space, involving simple geometric primitives. In this work we address this challenge by leveraging learned scene embeddings together with a generative model of the robot manipulator to drive the optimisation process. In addition, we introduce an approach for efficient collision checking which directly regularises the optimisation undertaken for planning. Using simulated as well as real-world experiments, we demonstrate that our approach, AMP-LS, is able to successfully plan in novel, complex scenes while outperforming traditional planning baselines in terms of computation speed by an order of magnitude. We show that the resulting system is fast enough to enable closed-loop planning in real-world dynamic scenes.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL