Let’s Make a Splan: Risk-Aware Trajectory Optimization in a Normalized Gaussian Splat

要約

Neural Radiance Fields と Gaussian Splatting は、複雑なシーンの写真のようにリアルな表現を可能にし、コンピューター ビジョンの分野を変革しました。
このような成功にもかかわらず、軌道の最適化など、現実世界のロボット工学タスクでは限られた用途しか見られていません。
この限られた成功には 2 つの重要な要因が貢献しています。
まず、放射モデルにおける衝突について推論するのは困難です。
第 2 に、リアルタイムの軌道合成に十分な速さで放射輝度モデルの推論を実行することは困難です。
この論文では、ガウス スプラッティング モデルで動作するリスク認識軌道オプティマイザーである SPLANNING を提案することで、これらの課題に対処します。
この論文では、まずロボットと放射フィールド間の衝突確率を厳密に上限設定する方法を導き出します。
次に、この論文では、ガウス スプラットにおける衝突限界の効率的な計算を可能にするガウス スプラッティングの正規化された再定式化を紹介します。
第三に、ガウス スプラットによって表されるシーンとの衝突を回避しながら軌道を最適化する方法が提示されます。
実験では、SPLANNING が、非常に乱雑な環境で衝突のない軌道を生成する際に、最先端の方法よりも優れたパフォーマンスを発揮することが実証されています。
提案されたシステムは、現実世界のロボット マニピュレータでもテストされます。
プロジェクト ページは https://roahmlab.github.io/splanning で利用できます。

要約(オリジナル)

Neural Radiance Fields and Gaussian Splatting have transformed the field of computer vision by enabling photo-realistic representation of complex scenes. Despite this success, they have seen only limited use in real-world robotics tasks such as trajectory optimization. Two key factors have contributed to this limited success. First, it is challenging to reason about collisions in radiance models. Second, it is difficult to perform inference of radiance models fast enough for real-time trajectory synthesis. This paper addresses these challenges by proposing SPLANNING, a risk-aware trajectory optimizer that operates in a Gaussian Splatting model. This paper first derives a method for rigorously upper-bounding the probability of collision between a robot and a radiance field. Second, this paper introduces a normalized reformulation of Gaussian Splatting that enables the efficient computation of the collision bound in a Gaussian Splat. Third, a method is presented to optimize trajectories while avoiding collisions with a scene represented by a Gaussian Splat. Experiments demonstrate that SPLANNING outperforms state-of-the-art methods in generating collision-free trajectories in highly cluttered environments. The proposed system is also tested on a real-world robot manipulator. A project page is available at https://roahmlab.github.io/splanning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google