Motion Planning Diffusion: Learning and Planning of Robot Motions with Diffusion Models

要約

軌道分布に関する事前分布を学習すると、ロボットの動作計画の最適化を加速することができます。
以前に成功した計画がある場合、新しい計画問題の事前確率として軌道生成モデルを学習することが非常に望ましいです。
以前の研究では、動作計画の問題をブートストラップする前に、これを利用するいくつかの方法が提案されています。
初期化のために事前分布をサンプリングするか、軌道最適化のために最大事後定式化で事前分布を使用します。
この研究では、事前分布として学習拡散モデルを提案します。
次に、拡散モデルの逆ノイズ除去プロセスを利用して、タスクの目標を条件とした事後軌道分布から直接サンプリングできます。
さらに、拡散は高次元設定でデータのマルチモダリティを効果的にエンコードすることが最近示されており、これは特に大規模な軌跡データセットに適しています。
私たちの方法の有効性を実証するために、私たちが提案する方法であるモーションプランニング拡散を、シミュレートされた平面ロボットおよび7自由度ロボットアームマニピュレーター環境におけるいくつかのベースラインと比較します。
私たちの方法の一般化能力を評価するために、これまで目に見えなかった障害物がある環境でそれをテストします。
私たちの実験は、拡散モデルがロボットの動きの高次元の軌道分布をエンコードするための強力な事前分布であることを示しています。

要約(オリジナル)

Learning priors on trajectory distributions can help accelerate robot motion planning optimization. Given previously successful plans, learning trajectory generative models as priors for a new planning problem is highly desirable. Prior works propose several ways on utilizing this prior to bootstrapping the motion planning problem. Either sampling the prior for initializations or using the prior distribution in a maximum-a-posterior formulation for trajectory optimization. In this work, we propose learning diffusion models as priors. We then can sample directly from the posterior trajectory distribution conditioned on task goals, by leveraging the inverse denoising process of diffusion models. Furthermore, diffusion has been recently shown to effectively encode data multimodality in high-dimensional settings, which is particularly well-suited for large trajectory dataset. To demonstrate our method efficacy, we compare our proposed method – Motion Planning Diffusion – against several baselines in simulated planar robot and 7-dof robot arm manipulator environments. To assess the generalization capabilities of our method, we test it in environments with previously unseen obstacles. Our experiments show that diffusion models are strong priors to encode high-dimensional trajectory distributions of robot motions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google