Motion Memory: Leveraging Past Experiences to Accelerate Future Motion Planning

要約

新しい動作計画の問題に直面したとき、ほとんどの動作計画担当者は、サンプリングと探索や直線パスから最適化を開始するなどして、最初から問題を解決します。
しかし、ほとんどのモーション プランナーは生涯を通じてさまざまな計画上の問題を経験する必要がありますが、それらはまだ将来の計画に活用されていません。
この論文では、モーション メモリと呼ばれるシンプルだが効率的な方法を紹介します。これにより、さまざまなモーション プランナーが過去の経験を使用して将来の計画を加速できるようになります。
既存のモーション プランナーを閉じたボックスまたは開いたボックスとして扱い、新しい計画の問題に直面したときにモーション メモリが計画時間の短縮に貢献できるさまざまな方法を紹介します。
我々は、30,000 を超える問題インスタンスを含む 3 つのクラスの計画問題について、3 つの異なるモーション プランナーを使用した広範な実験結果を提供し、提案されたモーション メモリ技術と過去の計画経験の増加により、計画速度が最大 89% 大幅に削減できることを示しています。

要約(オリジナル)

When facing a new motion-planning problem, most motion planners solve it from scratch, e.g., via sampling and exploration or starting optimization from a straight-line path. However, most motion planners have to experience a variety of planning problems throughout their lifetimes, which are yet to be leveraged for future planning. In this paper, we present a simple but efficient method called Motion Memory, which allows different motion planners to accelerate future planning using past experiences. Treating existing motion planners as either a closed or open box, we present a variety of ways that Motion Memory can contribute to reduce the planning time when facing a new planning problem. We provide extensive experiment results with three different motion planners on three classes of planning problems with over 30,000 problem instances and show that planning speed can be significantly reduced by up to 89% with the proposed Motion Memory technique and with increasing past planning experiences.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google