Comparison of Data-Driven Approaches to Configuration Space Approximation

要約

構成空間 (C 空間) は、多くのロボットの経路計画アルゴリズムの重要なコンポーネントですが、その計算は、特に多数の自由度 (DoF) を含む空間では時間のかかる作業です。
ここでは、C 空間近似に対する 2 段階のデータ駆動型アプローチを検討します。(1) いくつかの構成をサンプルします (つまり、明示的に計算します)。
(2) これらの構成で機械学習 (ML) モデルをトレーニングし、C 空間内の他の点の衝突ステータスを予測します。
私たちは、モデルの表現、自由度の数 (最大 42)、衝突密度、サンプル サイズ、トレーニング セットの分布、予測の望ましい信頼度など、この近似プロセスに影響を与える複数の要因を研究しました。
XGBoost は、14 DoF を超える C-Space であっても、低いエラー率を維持しながら、他の方法に比べて大幅な時間短縮を実現すると結論付けています。

要約(オリジナル)

Configuration spaces (C-spaces) are an essential component of many robot path-planning algorithms, yet calculating them is a time-consuming task, especially in spaces involving a large number of degrees of freedom (DoF). Here we explore a two-step data-driven approach to C-space approximation: (1) sample (i.e., explicitly calculate) a few configurations; (2) train a machine learning (ML) model on these configurations to predict the collision status of other points in the C-space. We studied multiple factors that impact this approximation process, including model representation, number of DoF (up to 42), collision density, sample size, training set distribution, and desired confidence of predictions. We conclude that XGBoost offers a significant time improvement over other methods, while maintaining low error rates, even in C-Spaces with over 14 DoF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google