Transformer-Enhanced Motion Planner: Attention-Guided Sampling for State-Specific Decision Making

要約

サンプリングベースのモーション プランニング (SBMP) アルゴリズムは、堅牢なグローバル検索機能で知られています。
ただし、サンプリング メカニズムに固有のランダム性があるため、パスの品質が一貫性がなく、検索効率が制限されることがよくあります。
これらの課題に対応して、この研究では、環境情報セマンティック エンコーダ (EISE) とモーション プランニング トランスフォーマー (MPT) を相乗させる、Transformer-Enhanced Motion Planner (TEMP) と呼ばれる新しい深層学習ベースのモーション プランニング フレームワークを提案します。
EISE は環境データをセマンティック環境情報 (SEI) に変換し、MPT に豊かな環境理解を提供します。
MPT はアテンション メカニズムを活用して、SEI、タスク目標、履歴計画データへの焦点を動的に再調整し、サンプリング ノードの生成を調整します。
TEMP の機能を実証するために、RRT* によって生成された計画結果で構成されるデータセットを使用してモデルをトレーニングします。
EISE と MPT は共同してトレーニングされ、EISE が環境データから自律的に学習してパターンを抽出できるようになり、MPT がより効果的に解釈して動作計画に利用できる意味論的表現を形成できます。
続いて、さまざまなタスクの側面にわたる TEMP の有効性の体系的な評価を実施しました。これにより、TEMP が最先端の SBMP と比較して優れたパフォーマンス指標と高度な汎用性を達成していることが実証されました。

要約(オリジナル)

Sampling-based motion planning (SBMP) algorithms are renowned for their robust global search capabilities. However, the inherent randomness in their sampling mechanisms often result in inconsistent path quality and limited search efficiency. In response to these challenges, this work proposes a novel deep learning-based motion planning framework, named Transformer-Enhanced Motion Planner (TEMP), which synergizes an Environmental Information Semantic Encoder (EISE) with a Motion Planning Transformer (MPT). EISE converts environmental data into semantic environmental information (SEI), providing MPT with an enriched environmental comprehension. MPT leverages an attention mechanism to dynamically recalibrate its focus on SEI, task objectives, and historical planning data, refining the sampling node generation. To demonstrate the capabilities of TEMP, we train our model using a dataset comprised of planning results produced by the RRT*. EISE and MPT are collaboratively trained, enabling EISE to autonomously learn and extract patterns from environmental data, thereby forming semantic representations that MPT could more effectively interpret and utilize for motion planning. Subsequently, we conducted a systematic evaluation of TEMP’s efficacy across diverse task dimensions, which demonstrates that TEMP achieves exceptional performance metrics and a heightened degree of generalizability compared to state-of-the-art SBMPs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google