Collision-free Motion Generation Based on Stochastic Optimization and Composite Signed Distance Field Networks of Articulated Robot

要約

安全なロボット動作の生成は、製造から家庭までの実際の用途にとって重要です。
この研究では、複合符号付き距離場 (SDF) ネットワークで表される多関節ロボットの衝突のない最適な時間運動を生成する確率的最適化ベースの運動生成手法を提案しました。
まず、多関節ロボットの SDF を学習するための複合 SDF ネットワークを提案します。
学習された複合 SDF ネットワークとロボットの運動学を組み合わせることで、ロボットと障害物間の最小距離をバッチ方式で迅速かつ正確に推定できます。
次に、確率的最適化ベースの軌道計画アルゴリズムにより、学習された複合 SDF ネットワークを使用して、空間的に最適化された衝突のない軌道がオフラインで生成されます。
この確率的軌道プランナーは、時間正規化された事前ガウス過程と指数尤度関数を使用したベイジアン推論問題として定式化されます。
事前のガウス プロセスでは、構成空間で初期位置と目標位置の制約を強制できます。
さらに、時系列のウェイポイントの相関関係をエンコードできます。
尤度関数は、衝突回避、軌道長ペナルティ、境界回避などのタスク関連のコスト項をエンコードすることを目的としています。モデル予測経路積分 (MPPI) と組み合わせたカーネル更新戦略は、最大事後推論問題を解決するために提案されています。
。
最後に、学習した複合 SDF ネットワークを軌道計画アルゴリズムに統合し、それを Franka Emika Panda ロボットに適用します。
シミュレーションと実験の結果は、提案された方法の有効性を検証します。

要約(オリジナル)

Safe robot motion generation is critical for practical applications from manufacturing to homes. In this work, we proposed a stochastic optimization-based motion generation method to generate collision-free and time-optimal motion for the articulated robot represented by composite signed distance field (SDF) networks. First, we propose composite SDF networks to learn the SDF for articulated robots. The learned composite SDF networks combined with the kinematics of the robot allow for quick and accurate estimates of the minimum distance between the robot and obstacles in a batch fashion. Then, a stochastic optimization-based trajectory planning algorithm generates a spatial-optimized and collision-free trajectory offline with the learned composite SDF networks. This stochastic trajectory planner is formulated as a Bayesian Inference problem with a time-normalized Gaussian process prior and exponential likelihood function. The Gaussian process prior can enforce initial and goal position constraints in Configuration Space. Besides, it can encode the correlation of waypoints in time series. The likelihood function aims at encoding task-related cost terms, such as collision avoidance, trajectory length penalty, boundary avoidance, etc. The kernel updating strategies combined with model-predictive path integral (MPPI) is proposed to solve the maximum a posteriori inference problems. Lastly, we integrate the learned composite SDF networks into the trajectory planning algorithm and apply it to a Franka Emika Panda robot. The simulation and experiment results validate the effectiveness of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google