E(2)-Equivariant Graph Planning for Navigation

要約

ロボットナビゲーションの学習には、重要かつ困難な課題が伴います。
現実世界のデータセットは希少で高価であるため、効率的な学習アプローチが必要です。
このレターでは、2D ナビゲーションの計画においてユークリッド対称性を利用します。これは、参照フレーム間のユークリッド変換に由来し、パラメーターの共有を可能にします。
非構造化環境の課題に対処するために、ナビゲーション問題を幾何学的なグラフで計画するものとして定式化し、値の反復を実行するための等変メッセージ パッシング ネットワークを開発します。
さらに、マルチカメラ入力を処理するために、特徴を目的の空間に持ち上げるための学習可能な等変層を提案します。
私たちは、構造化環境と非構造化環境を含む 5 つの多様なタスクにわたる包括的な評価を、既知と未知のマップ、特定のポイント目標または意味論的目標とともに実施します。
私たちの実験では、トレーニングの効率、安定性、汎化に関して大きな利点があることが確認されています。

要約(オリジナル)

Learning for robot navigation presents a critical and challenging task. The scarcity and costliness of real-world datasets necessitate efficient learning approaches. In this letter, we exploit Euclidean symmetry in planning for 2D navigation, which originates from Euclidean transformations between reference frames and enables parameter sharing. To address the challenges of unstructured environments, we formulate the navigation problem as planning on a geometric graph and develop an equivariant message passing network to perform value iteration. Furthermore, to handle multi-camera input, we propose a learnable equivariant layer to lift features to a desired space. We conduct comprehensive evaluations across five diverse tasks encompassing structured and unstructured environments, along with maps of known and unknown, given point goals or semantic goals. Our experiments confirm the substantial benefits on training efficiency, stability, and generalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google