Efficient Learning of Fast Inverse Kinematics with Collision Avoidance

要約

高速逆運動学 (IK) は、ロボットの動作計画における中心的なコンポーネントです。
複雑なロボットの場合、IK メソッドは多くの場合、ルート探索アルゴリズムと非線形最適化アルゴリズムに基づいています。
これらのアルゴリズムは、ニューラル ネットワークを使用して適切な初期推定を予測することで大幅に高速化でき、その後、数回の数値反復で精度を高めることができます。
学習ベースの IK に関するこれまでの研究に加えて、衝突回避を伴う IK の根本的により複雑な問題に対する学習アプローチを紹介します。
私たちはこれを、これまで見たことのない多様な環境で行います。
IK 学習問題の詳細な分析から、サンプル データ生成ステップの必要性を排除するネットワークと教師なし学習アーキテクチャを導き出します。
トレーニングされたネットワークの予測を 2 段階のヤコビベースのソルバーの初期推定として使用すると、衝突のない IK を高速かつ正確に計算できます。
人型ロボットの Agile Justin (19 DoF) の場合、無衝突 IK は 10 ミリ秒未満 (単一の CPU コア上) で解決され、精度は 10^-4 m および 10^-3 rad です。
ロボットに統合された 3D センサーから生成された高解像度のワールド モデル。
私たちの手法は、19 自由度のヒューマノイド環境や困難な 3D 環境のベンチマークで、ランダムなマルチスタート ベースラインを大幅に上回ります。
同等の結果を達成しながら、教師付きトレーニング方法よりも必要なトレーニング時間は 10 分の 1 です。

要約(オリジナル)

Fast inverse kinematics (IK) is a central component in robotic motion planning. For complex robots, IK methods are often based on root search and non-linear optimization algorithms. These algorithms can be massively sped up using a neural network to predict a good initial guess, which can then be refined in a few numerical iterations. Besides previous work on learning-based IK, we present a learning approach for the fundamentally more complex problem of IK with collision avoidance. We do this in diverse and previously unseen environments. From a detailed analysis of the IK learning problem, we derive a network and unsupervised learning architecture that removes the need for a sample data generation step. Using the trained network’s prediction as an initial guess for a two-stage Jacobian-based solver allows for fast and accurate computation of the collision-free IK. For the humanoid robot, Agile Justin (19 DoF), the collision-free IK is solved in less than 10 milliseconds (on a single CPU core) and with an accuracy of 10^-4 m and 10^-3 rad based on a high-resolution world model generated from the robot’s integrated 3D sensor. Our method massively outperforms a random multi-start baseline in a benchmark with the 19 DoF humanoid and challenging 3D environments. It requires ten times less training time than a supervised training method while achieving comparable results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google