Neural Trajectory Model: Implicit Neural Trajectory Representation for Trajectories Generation

要約

軌道計画はロボット工学における基本的な問題です。
これにより、ナビゲーションと動作計画、制御、およびマルチエージェント調整における幅広いアプリケーションが容易になります。
軌道計画は、計算の複雑さと、不確実性、非線形性、およびリアルタイム要件を伴う現実世界の環境の複雑さにより、困難な問題です。
マルチエージェントの軌道計画の問題は、エージェント間の相互作用により、別の次元の難しさを加えます。
既存のソリューションは、検索ベースまたは最適化ベースのアプローチであり、環境の前提条件が単純化され、計画速度が制限され、エージェント数のスケーラビリティが制限されています。
この研究では、単一エージェントおよびマルチエージェントの軌道計画問題を、軌道の暗黙的なニューラル表現に対するクエリ問題として再定式化する最初の試みを行います。
私たちは、複雑な環境でほぼ最適な軌道を生成するためにクエリできるニューラル軌道モデル (NTM) としてそのような暗黙的表現を定式化します。
私たちはシミュレーション環境で実験を実施し、NTM が単一エージェントおよび複数エージェントの軌道計画問題を解決できることを実証します。
実験では、NTM は、(1) GPU を使用したミリ秒未満のパンニング時間、(2) すべての環境衝突をほぼ回避、(3) すべてのエージェント間の衝突をほぼ回避、(4) ほぼ最短のパスを生成することを達成しました。
また、同じ NTM フレームワークを軌道修正と複数軌道の競合解決にも使用して、低品質で競合するマルチエージェントの軌道を最適に近い解決策に効率的に絞り込むことができることも示します。
(オープンソース コードは https://github.com/laser2099/neural-trajectory-model で入手可能になります)

要約(オリジナル)

Trajectory planning is a fundamental problem in robotics. It facilitates a wide range of applications in navigation and motion planning, control, and multi-agent coordination. Trajectory planning is a difficult problem due to its computational complexity and real-world environment complexity with uncertainty, non-linearity, and real-time requirements. The multi-agent trajectory planning problem adds another dimension of difficulty due to inter-agent interaction. Existing solutions are either search-based or optimization-based approaches with simplified assumptions of environment, limited planning speed, and limited scalability in the number of agents. In this work, we make the first attempt to reformulate single agent and multi-agent trajectory planning problem as query problems over an implicit neural representation of trajectories. We formulate such implicit representation as Neural Trajectory Models (NTM) which can be queried to generate nearly optimal trajectory in complex environments. We conduct experiments in simulation environments and demonstrate that NTM can solve single-agent and multi-agent trajectory planning problems. In the experiments, NTMs achieve (1) sub-millisecond panning time using GPUs, (2) almost avoiding all environment collision, (3) almost avoiding all inter-agent collision, and (4) generating almost shortest paths. We also demonstrate that the same NTM framework can also be used for trajectories correction and multi-trajectory conflict resolution refining low quality and conflicting multi-agent trajectories into nearly optimal solutions efficiently. (Open source code will be available at https://github.com/laser2099/neural-trajectory-model)

arxiv情報

提供元, 利用サービス

arxiv.jp, Google