Learning Safe and Stable Motion Plans with Neural Ordinary Differential Equations

要約

準拠性があり、安全で、タスク実行時の摂動に反応する、学習ベースのモジュール式モーション プランニング パイプラインが提供されます。
非線形自律動的システム (DS) として定義される公称動作計画は、神経常微分方程式 (NODE) モデルを使用した運動感覚のデモンストレーションからオフラインで学習されます。
推論中の安定性と安全性の両方を確保するために、学習された NODE によって生成された時間変化するターゲット軌道を使用して、ロボットが従うターゲット ポイントを各タイム ステップで選択する新しいアプローチが提案されます。
NODE モデルの補正項は、制御リアプノフ関数と制御バリア関数をそれぞれ使用して安定性と安全性を保証する二次計画を解くことによってオンラインで計算されます。
私たちのアプローチは、LASA 手書きデータセットに対するベースライン DS 学習技術よりも優れたパフォーマンスを発揮し、実際のロボット実験で検証されており、物理的な摂動に対して堅牢であり、人間や障害物の周囲でも安全であると同時に、拭き取りやかき混ぜなどの安定した動作を生成することが示されています。

要約(オリジナル)

A learning-based modular motion planning pipeline is presented that is compliant, safe, and reactive to perturbations at task execution. A nominal motion plan, defined as a nonlinear autonomous dynamical system (DS), is learned offline from kinesthetic demonstrations using a Neural Ordinary Differential Equation (NODE) model. To ensure both stability and safety during inference, a novel approach is proposed which selects a target point at each time step for the robot to follow, using a time-varying target trajectory generated by the learned NODE. A correction term to the NODE model is computed online by solving a Quadratic Program that guarantees stability and safety using Control Lyapunov Functions and Control Barrier Functions, respectively. Our approach outperforms baseline DS learning techniques on the LASA handwriting dataset and is validated on real-robot experiments where it is shown to produce stable motions, such as wiping and stirring, while being robust to physical perturbations and safe around humans and obstacles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google