Improving Path Planning Performance through Multimodal Generative Models with Local Critics

要約

この論文では、自由条件設定空間の分布を近似する勾配ペナルティ (GP) を備えた Wasserstein 敵対的生成ネットワーク (WGAN) を利用することで、障害物のある未知のシーンで経路計画タスクを高速化する新しい方法を紹介します。
私たちが提案するアプローチには、マルチモーダル データセットを処理するために、連続潜在空間で変分自動エンコーダーを使用して WGAN-GP を調整することが含まれます。
ただし、カルバック・ライブラー損失関数はランダムな分布に収束することが多いため、WGAN-GP を使用して変分自動エンコーダーをトレーニングすることは、画像から構成空間への問題に対して困難になる可能性があります。
この問題を克服するために、構成空間をガウス分布のセットとして単純化し、データセットをいくつかのローカル モデルに分割します。
これにより、モデルを学習できるだけでなく、その収束を高速化することもできます。
ジオメトリスコアを備えたデータセットの多様体の相同性ランクを使用して、再構成された配置空間を評価します。
さらに、衝突のない領域がどの程度再構築されているかを測定できるようにするロボットの構成空間の新しい変換を提案します。これは、他のランクの相同性メトリックとともに使用できます。
私たちの実験では、WGAN-GP で準最適なパスを生成しながら、未知のシーンでのパス計画タスクを高速化する有望な結果が示されました。
ソースコードはオープンに入手可能です。

要約(オリジナル)

This paper presents a novel method for accelerating path planning tasks in unknown scenes with obstacles by utilizing Wasserstein Generative Adversarial Networks (WGANs) with Gradient Penalty (GP) to approximate the distribution of the free conditioned configuration space. Our proposed approach involves conditioning the WGAN-GP with a Variational Auto-Encoder in a continuous latent space to handle multimodal datasets. However, training a Variational Auto-Encoder with WGAN-GP can be challenging for image-to-configuration-space problems, as the Kullback-Leibler loss function often converges to a random distribution. To overcome this issue, we simplify the configuration space as a set of Gaussian distributions and divide the dataset into several local models. This enables us to not only learn the model but also speed up its convergence. We evaluate the reconstructed configuration space using the homology rank of manifolds for datasets with the geometry score. Furthermore, we propose a novel transformation of the robot’s configuration space that enables us to measure how well collision-free regions are reconstructed, which could be used with other rank of homology metrics. Our experiments show promising results for accelerating path planning tasks in unknown scenes while generating quasi-optimal paths with our WGAN-GP. The source code is openly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google