要約
サンプリングベース・キノダイナミック・モーション・プランナー(SKMP)は、微分制約下の高次元システムに対して、衝突のない軌道を求める際に威力を発揮する。時間情報集合(TIS)は、時間最適解への収束を加速するための発見的探索領域を提供することができる。しかし、既存のTIS近似法は、次元の呪い、計算負荷、および線形系や多項式非線形系などシステムの適用範囲の狭さに悩まされている。これらの問題を克服するために、我々はディープラーニング技術、クープマン作用素理論、ランダム集合理論を活用した手法を提案する。具体的には、DIKUと名付けられた制御Uモデルを持つディープインバーティブルクープマン演算子を提案し、補助ネットワークをインバーティブルニューラルネットワークに変更することで、長いホライズンにおける状態の前後予測を行う。非線形制御系のTISをオンラインで近似するために、DIKUの到達可能性解析を行うサンプリングベースのアプローチASKUを開発した。さらに、TISにおいて一様なランダムサンプルを抽出するための直接サンプリング技術を用いたオンライン時間情報SKMPを設計する。シミュレーション実験の結果、本手法が他の既存手法を凌駕し、ほぼリアルタイムでTISを近似し、いくつかの時間最適キノダイナミック運動計画問題において優れた計画性能を達成することが実証された。
要約(オリジナル)
Sampling-based kinodynamic motion planners (SKMPs) are powerful in finding collision-free trajectories for high-dimensional systems under differential constraints. Time-informed set (TIS) can provide the heuristic search domain to accelerate their convergence to the time-optimal solution. However, existing TIS approximation methods suffer from the curse of dimensionality, computational burden, and limited system applicable scope, e.g., linear and polynomial nonlinear systems. To overcome these problems, we propose a method by leveraging deep learning technology, Koopman operator theory, and random set theory. Specifically, we propose a Deep Invertible Koopman operator with control U model named DIKU to predict states forward and backward over a long horizon by modifying the auxiliary network with an invertible neural network. A sampling-based approach, ASKU, performing reachability analysis for the DIKU is developed to approximate the TIS of nonlinear control systems online. Furthermore, we design an online time-informed SKMP using a direct sampling technique to draw uniform random samples in the TIS. Simulation experiment results demonstrate that our method outperforms other existing works, approximating TIS in near real-time and achieving superior planning performance in several time-optimal kinodynamic motion planning problems.
arxiv情報
| 著者 | Fei Meng,Jianbang Liu,Haojie Shi,Han Ma,Hongliang Ren,Max Q. -H. Meng |
| 発行日 | 2024-07-03 09:05:59+00:00 |
| arxivサイト | arxiv_id(pdf) |