Direct Robot Configuration Space Construction using Convolutional Encoder-Decoders

要約

インテリジェント ロボットは、環境内で安全かつ効率的なモーション プランニングを実行できなければなりません。
最新のモーション プランニングの中心は、構成スペースです。
構成空間は、ワークスペース内の障害物との衝突をもたらすロボットの構成のセット C-clsn と、そうでない構成のセット C-free を定義します。
モーション プランニングに対する最新のアプローチでは、最初に構成空間を計算し、次に計算された構成空間を使用してモーション プランニングを実行します。
リアルタイムのモーション プランニングでは、構成空間を正確かつ効率的に構築する必要があります。
構成空間の非常に正確な近似値を計算するために、畳み込みエンコーダー/デコーダー フレームワークを適用したのは、私たちが初めてです。
私たちのモデルは、デュアル アーム ロボットを使用した 2D ロボット ワークスペースの C フリーおよび C-clsn を予測するために、平均 97.5% の F1 スコアを達成します。
私たちの方法は、障害物の移動、回転、および除去を伴うロボットワークスペースで、検出されない衝突を 2.5% 未満に制限します。
私たちのモデルは、ロボットワークスペース間で非常に転送可能な機能を学習し、ワークスペース内の障害物の新しい変換に適応するための微調整をほとんどまたはまったく必要としません。

要約(オリジナル)

Intelligent robots must be able to perform safe and efficient motion planning in their environments. Central to modern motion planning is the configuration space. Configuration spaces define the set of configurations of a robot that result in collisions with obstacles in the workspace, C-clsn, and the set of configurations that do not, C-free. Modern approaches to motion planning first compute the configuration space and then perform motion planning using the calculated configuration space. Real-time motion planning requires accurate and efficient construction of configuration spaces. We are the first to apply a convolutional encoder-decoder framework for calculating highly accurate approximations to configuration spaces. Our model achieves an average 97.5% F1-score for predicting C-free and C-clsn for 2-D robotic workspaces with a dual-arm robot. Our method limits undetected collisions to less than 2.5% on robotic workspaces that involve translation, rotation, and removal of obstacles. Our model learns highly transferable features between robotic workspaces, requiring little to no fine-tuning to adapt to new transformations of obstacles in the workspace.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google