Progressive Learning for Physics-informed Neural Motion Planning

要約

動作計画 (MP) は、特定の開始状態と目標状態を結ぶ衝突のないロボットの動作パスを見つけるための高速な方法を必要とする、ロボット工学の中核的な問題の 1 つです。
ニューラル モーション プランナー (NMP) は、パス解を見つける際に高速な計算速度を示しますが、学習には膨大な量のエキスパートの軌跡が必要となるため、トレーニングの計算負荷が大幅に増加します。
対照的に、最近の進歩により、動作計画のためのエイコナール方程式を直接解き、学習のために専門家のデモンストレーションを必要としない、物理学に基づいた NMP アプローチも実現しています。
ただし、実験では、物理学に基づいた NMP アプローチは複雑な環境ではパフォーマンスが低く、複数のシナリオや高次元の実際のロボット設定ではスケーラビリティに欠けていることが示されています。
これらの制限を克服するために、この論文では、新しくて扱いやすいアイコナル方程式の定式化を提示し、複雑で乱雑な複数の高次元ロボット動作計画シナリオで専門家データなしでニューラル ネットワークをトレーニングするための新しい漸進的学習戦略を紹介します。
結果は、私たちの手法が、計算計画速度、パスの品質、成功率の点で、最先端の従来の MP、データ駆動型 NMP、および物理情報に基づいた NMP 手法を大幅に上回っていることを示しています。
また、私たちのアプローチが、複数の複雑で乱雑なシナリオと、狭い通路環境に設置された実際のロボットに対応できることも示します。
提案されたメソッドのビデオとコード実装は、https://github.com/ruiqini/P-NTFields で入手できます。

要約(オリジナル)

Motion planning (MP) is one of the core robotics problems requiring fast methods for finding a collision-free robot motion path connecting the given start and goal states. Neural motion planners (NMPs) demonstrate fast computational speed in finding path solutions but require a huge amount of expert trajectories for learning, thus adding a significant training computational load. In contrast, recent advancements have also led to a physics-informed NMP approach that directly solves the Eikonal equation for motion planning and does not require expert demonstrations for learning. However, experiments show that the physics-informed NMP approach performs poorly in complex environments and lacks scalability in multiple scenarios and high-dimensional real robot settings. To overcome these limitations, this paper presents a novel and tractable Eikonal equation formulation and introduces a new progressive learning strategy to train neural networks without expert data in complex, cluttered, multiple high-dimensional robot motion planning scenarios. The results demonstrate that our method outperforms state-of-the-art traditional MP, data-driven NMP, and physics-informed NMP methods by a significant margin in terms of computational planning speed, path quality, and success rates. We also show that our approach scales to multiple complex, cluttered scenarios and the real robot set up in a narrow passage environment. The proposed method’s videos and code implementations are available at https://github.com/ruiqini/P-NTFields.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google