Neural Randomized Planning for Whole Body Robot Motion

要約

ロボットの動作計画は過去数十年にわたって大幅な進歩を遂げてきましたが、依然として課題は残っています。高次元のロボット構成空間と複雑な環境幾何学のため、ロボットの移動マニピュレータは、一般的な家庭環境での長距離の全身動作をリアルタイムで計画するのに苦労しています。
。
この課題に取り組むために、この論文では、グローバル サンプリング ベースの動作計画 (SBMP) アルゴリズムとローカル ニューラル サンプラーを組み合わせた Neural Randomized Planner (NRP) を提案します。
NRP は直感的に、グローバル プランナー内の検索構造を使用して、学習したローカル サンプリング分布をつなぎ合わせて、適応的にグローバル サンプリング分布を形成します。
学習と計画の両方からメリットが得られます。
ローカルでは、豊富なニューラル ネットワーク表現を使用して、データから有望な領域でサンプリングする方法を学習することで、高次元性に取り組みます。
グローバルに、計画を通じてローカルのサンプリング分布を構成し、ローカルの幾何学的類似性を利用して複雑な環境にスケールアップします。
シミュレーションと実際のロボットの両方での実験では、\NRP がいくつかの最高の古典的および学習強化型 SBMP アルゴリズムと比較して優れたパフォーマンスを生み出すことが示されています。
さらに、NRP はシミュレーションでトレーニングされているにもかかわらず、微調整や手動による適応を必要とせずに、新しい家庭環境で動作する実際のロボットへのゼロショット転送を実証します。

要約(オリジナル)

Robot motion planning has made vast advances over the past decades, but the challenge remains: robot mobile manipulators struggle to plan long-range whole-body motion in common household environments in real time, because of high-dimensional robot configuration space and complex environment geometry. To tackle the challenge, this paper proposes Neural Randomized Planner (NRP), which combines a global sampling-based motion planning (SBMP) algorithm and a local neural sampler. Intuitively, NRP uses the search structure inside the global planner to stitch together learned local sampling distributions to form a global sampling distribution adaptively. It benefits from both learning and planning. Locally, it tackles high dimensionality by learning to sample in promising regions from data, with a rich neural network representation. Globally, it composes the local sampling distributions through planning and exploits local geometric similarity to scale up to complex environments. Experiments both in simulation and on a real robot show \NRP yields superior performance compared to some of the best classical and learning-enhanced SBMP algorithms. Further, despite being trained in simulation, NRP demonstrates zero-shot transfer to a real robot operating in novel household environments, without any fine-tuning or manual adaptation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google