Neural MP: A Generalist Neural Motion Planner

要約

現在の動作計画のパラダイムでは、新たな問題が発生するたびにソリューションをゼロから生成するため、大量の時間と計算リソースが消費されます。
複雑で乱雑なシーンでは、モーション プランニングのアプローチでは解決策を導き出すまでに数分かかることがよくありますが、人間はこれまでの経験を活用することで、数秒で正確かつ安全に目標に到達することができます。
私たちは、データ駆動型学習を動作計画の問題に大規模に適用することで、同じことを実現しようとしています。
私たちのアプローチは、シミュレーションで多数の複雑なシーンを構築し、モーション プランナーから専門家データを収集し、それをリアクティブなジェネラリスト ポリシーに蒸留します。
次に、これを軽量の最適化と組み合わせて、実際の展開のための安全なパスを取得します。
私たちは、現実世界で、ポーズ、シーン、障害物がランダム化された 4 つの多様な環境にわたる 64 の動作計画タスクに対してメソッドの徹底的な評価を実行し、動作計画の成功率が環境の状態と比較して 23%、17%、79% 向上したことを実証しました。
アートのサンプリング、最適化、学習ベースのプランニング手法。
ビデオ結果は mihdalal.github.io/neuralmotionplanner でご覧いただけます

要約(オリジナル)

The current paradigm for motion planning generates solutions from scratch for every new problem, which consumes significant amounts of time and computational resources. For complex, cluttered scenes, motion planning approaches can often take minutes to produce a solution, while humans are able to accurately and safely reach any goal in seconds by leveraging their prior experience. We seek to do the same by applying data-driven learning at scale to the problem of motion planning. Our approach builds a large number of complex scenes in simulation, collects expert data from a motion planner, then distills it into a reactive generalist policy. We then combine this with lightweight optimization to obtain a safe path for real world deployment. We perform a thorough evaluation of our method on 64 motion planning tasks across four diverse environments with randomized poses, scenes and obstacles, in the real world, demonstrating an improvement of 23%, 17% and 79% motion planning success rate over state of the art sampling, optimization and learning based planning methods. Video results available at mihdalal.github.io/neuralmotionplanner

arxiv情報

提供元, 利用サービス

arxiv.jp, Google