要約
ロボットマニピュレーターは将来の自律システムに不可欠ですが、その自律性に対する信頼が限られているため、ロボットマニピュレーターは厳格なタスク固有のシステムに限定されています。
マニピュレータの複雑な構成空間は、障害物の回避と制約を満たすという課題と相まって、信頼性が高く適応性のある自律性を実現するための動作計画をボトルネックにすることがよくあります。
最近、コンスタントタイム モーション プランナー (CTMP) のクラスが導入されました。
これらのプランナーは、前処理フェーズを使用して、オンライン計画を可能にするデータ構造を計算し、ユーザーが定義した時間制限内で最適ではない可能性のある動作計画を生成する能力を保証します。
このフレームワークは、タイムクリティカルな多くのタスクで効果的であることが実証されています。
ただし、ロボット システムでは、CTMP のオンライン部分に必要な時間よりも多くの時間が計画に割り当てられることが多く、その時間をソリューションの改善に使用できます。
この目的を達成するために、CTMP アルゴリズムと組み合わせて機能するいつでも改良できるアプローチを提案します。
私たちが提案するフレームワークは、定数時間アルゴリズムとして動作するため、ユーザーが定義した時間しきい値内で初期解を迅速に生成します。
さらに、いつでもアルゴリズムとして機能し、割り当てられた時間枠内でソリューションの品質を繰り返し改善します。
これにより、当社のアプローチでは、保証された高速計画の生成と長期的な最適化の追求の間でバランスを取ることが可能になります。
私たちは、その分析特性を解明し、いつでもコンポーネントが最適なソリューションに向けて収束していることを示すことで、私たちのアプローチをサポートします。
さらに、組み立て領域に適用される 6 自由度のロボット マニピュレータに関するシミュレーションと実世界のデモンストレーションを通じて、経験的な検証を提供します。
要約(オリジナル)
Robotic manipulators are essential for future autonomous systems, yet limited trust in their autonomy has confined them to rigid, task-specific systems. The intricate configuration space of manipulators, coupled with the challenges of obstacle avoidance and constraint satisfaction, often makes motion planning the bottleneck for achieving reliable and adaptable autonomy. Recently, a class of constant-time motion planners (CTMP) was introduced. These planners employ a preprocessing phase to compute data structures that enable online planning provably guarantee the ability to generate motion plans, potentially sub-optimal, within a user defined time bound. This framework has been demonstrated to be effective in a number of time-critical tasks. However, robotic systems often have more time allotted for planning than the online portion of CTMP requires, time that can be used to improve the solution. To this end, we propose an anytime refinement approach that works in combination with CTMP algorithms. Our proposed framework, as it operates as a constant time algorithm, rapidly generates an initial solution within a user-defined time threshold. Furthermore, functioning as an anytime algorithm, it iteratively refines the solution’s quality within the allocated time budget. This enables our approach to strike a balance between guaranteed fast plan generation and the pursuit of optimization over time. We support our approach by elucidating its analytical properties, showing the convergence of the anytime component towards optimal solutions. Additionally, we provide empirical validation through simulation and real-world demonstrations on a 6 degree-of-freedom robot manipulator, applied to an assembly domain.
arxiv情報
| 著者 | Itamar Mishani,Hayden Feddock,Maxim Likhachev |
| 発行日 | 2023-11-01 20:40:10+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google