GraphDistNet: A Graph-based Collision-distance Estimator for Gradient-based Trajectory Optimization

要約

軌道最適化 (TO) は、コストを最小限に抑えながら有効な状態のシーケンスを見つけることを目的としています。
ただし、その詳細な検証プロセスは、計算コストの高い衝突検索によりコストがかかることが多く、そうでない場合、粗い検索により正確な解決策が失われるシステムの安全性が低下します。
この問題を解決するために、新しい衝突距離推定器 GraphDistNet を導入しました。これは、エッジ フィーチャベースの畳み込み演算を利用して 2 つのジオメトリ間の構造情報を正確にエンコードでき、また、25,000 のランダムな環境を通じて衝突距離と勾配のバッチを効率的に予測できます。
最大 20 個の予期せぬオブジェクトが含まれます。
さらに、アテンションメカニズムの採用により、私たちの方法がTOに向けた予期せぬ複雑な幾何学形状に簡単に一般化できることを示します。
私たちの評価では、GraphDistNet がシミュレートされたタスクと現実世界のタスクの両方で最先端のベースライン手法を上回るパフォーマンスを示しています。

要約(オリジナル)

Trajectory optimization (TO) aims to find a sequence of valid states while minimizing costs. However, its fine validation process is often costly due to computationally expensive collision searches, otherwise coarse searches lower the safety of the system losing a precise solution. To resolve the issues, we introduce a new collision-distance estimator, GraphDistNet, that can precisely encode the structural information between two geometries by leveraging edge feature-based convolutional operations, and also efficiently predict a batch of collision distances and gradients through 25,000 random environments with a maximum of 20 unforeseen objects. Further, we show the adoption of attention mechanism enables our method to be easily generalized in unforeseen complex geometries toward TO. Our evaluation show GraphDistNet outperforms state-of-the-art baseline methods in both simulated and real world tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google