Generative Planning with Fast Collision Checks for High Speed Navigation

要約

たとえ完璧な知覚情報があったとしても、ロボット システムにとって、乱雑な環境で高速ナビゲーションを実現するための多数の多様な計画を推論することは依然として課題です。
多くの場合、これは、以前にシードされた軌道を中心に繰り返し最適化し、その結果、局所的な最適化に制限する方法によって対処されます。
正規化フロー (NF) を使用してエキスパート スタイルのモーション プリミティブをエンコードする新しい計画方法を提案します。
また、衝突のない軌道を迅速にサンプリングするために、NF モデルにサンプルを実行する前に、事前分布からのサンプルを拒否できる、加速された衝突チェック フレームワークも紹介します。
ジェネレータとして NF を選択すると、入力空間との滑らかな関係を維持しながら、出力ではなく NF 入力の衝突チェックを近似できるようにしながら、多様なマルチモーダル動作分布をエンコードする柔軟な方法が可能になります。
ランダムに乱雑な環境での予測パス積分制御のモデル化に匹敵するパフォーマンスを示し、袋小路環境での離脱率が向上しました。
最後に、コントローラーの安全性とパフォーマンスの両方を向上させるための将来の取り組みの計画について説明します。

要約(オリジナル)

Reasoning about large numbers of diverse plans to achieve high speed navigation in cluttered environments remains a challenge for robotic systems even in the case of perfect perceptual information. Often, this is tackled by methods that iteratively optimize around a prior seeded trajectory and consequently restrict to local optima. We present a novel planning method using normalizing flows (NFs) to encode expert-styled motion primitives. We also present an accelerated collision checking framework that enables rejecting samples from the prior distribution before running them through the NF model for rapid sampling of collision-free trajectories. The choice of an NF as the generator permits a flexible way to encode diverse multi-modal behavior distributions while maintaining a smooth relation to the input space which allows approximating collision checks on NF inputs rather than outputs. We show comparable performance to model predictive path integral control in random cluttered environments and improved exit rates in a cul-de-sac environment. We conclude by discussing our plans for future work to improve both safety and performance of our controller.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google