Bayes Net based highbrid Monte Carlo Optimization for Redundant Manipulator

要約

この論文では、動作計画のためのベイズ ネットベースのモンテカルロ最適化 (BN-MCO) を提案します。
主に、目標と開始の制約によって決定される潜在的なフィールドを調整して、サンプリングされたクラスターを目標と開始点に向かって徐々に誘導します。
次に、ガウス混合モード (GMM) を利用して、これら 2 つの非凸ポテンシャル場に直面してモンテカルロ最適化を実行します。
さらに、KL ダイバージェンスは、フィールドによって決定される真の分布と提案された GMM の間のバイアスを測定します。GMM のパラメーターは、バイアスの多様な情報に従って段階的に学習されます。
このようにして、逐次更新された GMM で構成されるベイジアン ネットワークは、制約が満たされ、最短パス法が実行可能なパスを見つけることができるまで拡張されます。
最後に、主要なパラメータを調整し、ブックシェルフ内の LBR-iiwa 上の他の 5 つのプランナーに対して BN-MCO をベンチマークします。
結果は、BN-MCO が最も高い成功率と中程度の解決効率を示しました。

要約(オリジナル)

This paper proposes a Bayes Net based Monte Carlo optimization for motion planning (BN-MCO). Primarily, we adjust the potential fields determined by goal and start constraints to progressively guide the sampled clusters toward the goal and start points. Then, we utilize the Gaussian mixed modal (GMM) to perform the Monte Carlo optimization, confronting these two non-convex potential fields. Moreover, KL divergence measures the bias between the true distribution determined by the fields and the proposed GMM, whose parameters are learned incrementally according to the manifold information of the bias. In this way, the Bayesian network consisting of sequential updated GMMs expands until the constraints are satisfied and the shortest path method can find a feasible path. Finally, we tune the key parameters and benchmark BN-MCO against the other 5 planners on LBR-iiwa in a bookshelf. The result shows the highest success rate and moderate solving efficiency of BN-MCO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google