EDMP: Ensemble-of-costs-guided Diffusion for Motion Planning

要約

ロボット操作のための古典的な動作計画には、特定の計画を実行するためのシーン固有のコストを最小限に抑えることを目的とした一連の一般的なアルゴリズムが含まれています。
このアプローチは、特定のトレーニング データセットを必要とせずに、新しいシーンに既製のものを直接使用できるため、優れた適応性を提供します。
ただし、多様な有効な軌道が何であるかを事前に理解しておらず、特定のシーンに対して特別に設計されたコスト関数がなければ、全体的なソリューションの成功率が低くなる傾向があります。
深層学習ベースのアルゴリズムは成功率を大幅に向上させますが、特殊なトレーニング データセットがなければ導入ははるかに困難です。
我々は、古典的な動作計画と深層学習ベースの動作計画の長所を結合することを目的とした、アンサンブル・オブ・コストに基づく動作計画の普及である EDMP を提案します。
私たちの拡散ベースのネットワークは、一連の多様な運動学的に有効な軌道に基づいてトレーニングされています。
従来の計画と同様に、推論時の新しいシーンに対して、「衝突コスト」などのシーン固有のコストを計算し、シーン固有の制約を満たす有効な軌道を生成するように拡散を誘導します。
さらに、シーン全体の多様性を捉えるには不十分な可能性がある単一のコスト関数の代わりに、コストのアンサンブルを使用して普及プロセスをガイドし、従来のプランナーと比較して成功率を大幅に向上させます。
EDMP は、主に従来のプランナーに関連付けられている汎化機能を保持しながら、SOTA 深層学習ベースのメソッドと同等のパフォーマンスを発揮します。

要約(オリジナル)

Classical motion planning for robotic manipulation includes a set of general algorithms that aim to minimize a scene-specific cost of executing a given plan. This approach offers remarkable adaptability, as they can be directly used off-the-shelf for any new scene without needing specific training datasets. However, without a prior understanding of what diverse valid trajectories are and without specially designed cost functions for a given scene, the overall solutions tend to have low success rates. While deep-learning-based algorithms tremendously improve success rates, they are much harder to adopt without specialized training datasets. We propose EDMP, an Ensemble-of-costs-guided Diffusion for Motion Planning that aims to combine the strengths of classical and deep-learning-based motion planning. Our diffusion-based network is trained on a set of diverse kinematically valid trajectories. Like classical planning, for any new scene at the time of inference, we compute scene-specific costs such as ‘collision cost’ and guide the diffusion to generate valid trajectories that satisfy the scene-specific constraints. Further, instead of a single cost function that may be insufficient in capturing diversity across scenes, we use an ensemble of costs to guide the diffusion process, significantly improving the success rate compared to classical planners. EDMP performs comparably with SOTA deep-learning-based methods while retaining the generalization capabilities primarily associated with classical planners.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google