Pushing the Limits of Reactive Planning: Learning to Escape Local Minima

要約

ロボット プランナーがマップを必要とするのはどのような場合ですか?
ロボットの現在のセンサー データとローカル情報のみを使用するリアクティブな方法は高速かつ柔軟ですが、極小値に陥る傾向があります。
完全に反応的な方法とマップベースのパス プランナーの間に中間点はありますか?
この論文では、純粋に反応性のセンサーベースのプランナーを強化するためのフィードフォワードネットワークとリカレントネットワークを調査します。これにより、極小値を回避する方法についてロボットに幾何学的な直感が与えられるはずです。
私たちは、原始的な形状から自動生成された多数の非常に乱雑な世界でトレーニングし、システムがゼロショットで実際の 3D 人工環境に移行し、パフォーマンスを低下させることなく最大 30% のセンサー ノイズを処理できることを示しました。
また、最終的なシステムでネットワーク メモリがどのような役割を果たしているか、およびリアクティブ ナビゲーションとマップ ベースのナビゲーションの性質についてどのような洞察が得られるかについても説明します。

要約(オリジナル)

When does a robot planner need a map? Reactive methods that use only the robot’s current sensor data and local information are fast and flexible, but prone to getting stuck in local minima. Is there a middle-ground between fully reactive methods and map-based path planners? In this paper, we investigate feed forward and recurrent networks to augment a purely reactive sensor-based planner, which should give the robot geometric intuition about how to escape local minima. We train on a large number of extremely cluttered worlds auto-generated from primitive shapes, and show that our system zero-shot transfers to real 3D man-made environments, and can handle up to 30% sensor noise without degeneration of performance. We also offer a discussion of what role network memory plays in our final system, and what insights can be drawn about the nature of reactive vs. map-based navigation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google