KG-Planner: Knowledge-Informed Graph Neural Planning for Collaborative Manipulators

要約

この論文では、人間が関与する静的環境と動的環境の両方を考慮して、高次元空間でロボットの衝突のない動作を効率的に計画するという課題に対処するための、新しい知識情報に基づくグラフ ニューラル プランナー (KG-Planner) を紹介します。
効率と最適性のバランスを見つけるのに苦労する従来のモーション プランナーとは異なり、KG-Planner は異なるアプローチを採用しています。
ニューラル ネットワークだけに依存したり、オラクル プランナーの動作を模倣したりする代わりに、当社の KG-Planner はワークスペースからの明確な物理的知識を統合します。
知識の統合には 2 つの重要な側面があります。 (1) ワークスペースの構成構造を包括的にモデル化できるグラフを設計するアプローチを提示します。
設計されたグラフには、ロボットの関節、障害物、それらの相互接続などの重要な要素が明示的に組み込まれています。
この表現により、これらの要素間の複雑な関係を捉えることができます。
(2) ほぼ最適なロボットの動作を生成することに優れたグラフ ニューラル ネットワーク (GNN) をトレーニングします。
特に、GNN は層ごとの伝播ルールを採用し、接続に基づいてワークスペース要素間の情報の交換と更新を容易にします。
この伝播により、計画プロセス全体を通じてこれらの要素の影響が強調されます。
KG-Planner の有効性と効率を検証するために、静的環境と動的環境の両方で広範な実験を実施しています。
これらの実験には、人間の作業者がいるシナリオといないシナリオが含まれています。
私たちのアプローチの結果を既存の方法と比較し、KG-Planner の優れたパフォーマンスを示します。
この作品の短いビデオ紹介が利用可能です (論文内にビデオリンクが記載されています)。

要約(オリジナル)

This paper presents a novel knowledge-informed graph neural planner (KG-Planner) to address the challenge of efficiently planning collision-free motions for robots in high-dimensional spaces, considering both static and dynamic environments involving humans. Unlike traditional motion planners that struggle with finding a balance between efficiency and optimality, the KG-Planner takes a different approach. Instead of relying solely on a neural network or imitating the motions of an oracle planner, our KG-Planner integrates explicit physical knowledge from the workspace. The integration of knowledge has two key aspects: (1) we present an approach to design a graph that can comprehensively model the workspace’s compositional structure. The designed graph explicitly incorporates critical elements such as robot joints, obstacles, and their interconnections. This representation allows us to capture the intricate relationships between these elements. (2) We train a Graph Neural Network (GNN) that excels at generating nearly optimal robot motions. In particular, the GNN employs a layer-wise propagation rule to facilitate the exchange and update of information among workspace elements based on their connections. This propagation emphasizes the influence of these elements throughout the planning process. To validate the efficacy and efficiency of our KG-Planner, we conduct extensive experiments in both static and dynamic environments. These experiments include scenarios with and without human workers. The results of our approach are compared against existing methods, showcasing the superior performance of the KG-Planner. A short video introduction of this work is available (video link provided in the paper).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google