Filter-Aware Model-Predictive Control

要約

タイトル：Filter-Aware Model-Predictive Control

要約：
– 部分観測問題は、コストの削減と情報の収集の間のトレードオフを示す。信念空間での計画によって最適に解決することができるが、それはしばしば高価である。
– モデル予測制御（MPC）は、状態推定値を使用して状態に関する信念を形成し、状態空間で計画するという代替アプローチを取る。これにより、計画中に将来の観測可能性を無視するため、状態推定値の確実性を自ら主動的に増やすことができなくなる。
– 我々は、信念空間での計画とそのダイナミックスを完全に無視することの中間点を見つけた。我々のフィルタ認識MPCアプローチは、状態推定値の期待誤差である「トラッキング性」によって情報損失をペナルティとする。モデルベースのシミュレーションによって、トラッキング性をニューラルネットワークに簡約化することができ、高速計画が可能になる。
– 視覚ナビゲーション、現実的な日常環境、二連ロボットアームを含む実験において、フィルタ認識MPCが通常のMPCを大幅に改善することを示した。

要約(オリジナル)

Partially-observable problems pose a trade-off between reducing costs and gathering information. They can be solved optimally by planning in belief space, but that is often prohibitively expensive. Model-predictive control (MPC) takes the alternative approach of using a state estimator to form a belief over the state, and then plan in state space. This ignores potential future observations during planning and, as a result, cannot actively increase or preserve the certainty of its own state estimate. We find a middle-ground between planning in belief space and completely ignoring its dynamics by only reasoning about its future accuracy. Our approach, filter-aware MPC, penalises the loss of information by what we call ‘trackability’, the expected error of the state estimator. We show that model-based simulation allows condensing trackability into a neural network, which allows fast planning. In experiments involving visual navigation, realistic every-day environments and a two-link robot arm, we show that filter-aware MPC vastly improves regular MPC.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI