RAMP: Hierarchical Reactive Motion Planning for Manipulation Tasks Using Implicit Signed Distance Functions

要約

モーション プランニングに対する検索ベースのアプローチとリアクティブなアプローチの長所を組み合わせた、Reactive Action and Motion Planner (RAMP) を紹介します。
本質的に、RAMP は階層的なアプローチであり、モデル予測パス積分 (MPPI) コントローラーの新しいバリアントを使用して軌道を生成し、その後ローカル ベクトル フィールド コントローラーが非同期で追跡します。
テーブルクリアリングアプリケーションのコンテキストで、RAMP がロボットの構成空間内のパスを迅速に見つけ、タスクとロボット固有の制約を満たし、静的または動的に移動する障害物に反応して安全性を提供できることを実証します。
RAMP は、多くの主要な革新によって優れたパフォーマンスを実現します。衝突チェックと反応制御の両方に、ロボット構成空間から直接符号付き距離関数 (SDF) 表現を使用します。
SDF を使用すると、軌道を計画する際に衝突コストをよりスムーズに定義できるようになり、軌道をたどる際の安全性を確保する上で重要です。
さらに、MPPI の新しいバリアントを導入します。これは、ベクトル場軌道フォロアの安全保証と組み合わせて、増分リアルタイムのグローバル軌道計画を実行します。
シミュレーションの結果、私たちの方法は、最大 30 倍高速でありながら、軌道全長の点で従来のアプローチと最先端のアプローチに匹敵するパスを生成できることが証明されています。
実際の実験では、困難なテーブルクリアリングシナリオにおける私たちのアプローチの安全性と有効性を実証しています。

要約(オリジナル)

We introduce Reactive Action and Motion Planner (RAMP), which combines the strengths of search-based and reactive approaches for motion planning. In essence, RAMP is a hierarchical approach where a novel variant of a Model Predictive Path Integral (MPPI) controller is used to generate trajectories which are then followed asynchronously by a local vector field controller. We demonstrate, in the context of a table clearing application, that RAMP can rapidly find paths in the robot’s configuration space, satisfy task and robot-specific constraints, and provide safety by reacting to static or dynamically moving obstacles. RAMP achieves superior performance through a number of key innovations: we use Signed Distance Function (SDF) representations directly from the robot configuration space, both for collision checking and reactive control. The use of SDFs allows for a smoother definition of collision cost when planning for a trajectory, and is critical in ensuring safety while following trajectories. In addition, we introduce a novel variant of MPPI which, combined with the safety guarantees of the vector field trajectory follower, performs incremental real-time global trajectory planning. Simulation results establish that our method can generate paths that are comparable to traditional and state-of-the-art approaches in terms of total trajectory length while being up to 30 times faster. Real-world experiments demonstrate the safety and effectiveness of our approach in challenging table clearing scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google