PRESTO: Fast motion planning using diffusion models based on key-configuration environment representation

要約

軌道最適化のための拡散モデルを使用して初期シード軌道を提供する、学習ガイド付き動作計画フレームワークを紹介します。
ワークスペースが与えられた場合、私たちの方法は、タスク関連のキー構成の疎なセットで構成されるキー構成表現を通じて構成空間 (C 空間) の障害物を近似し、これを拡散モデルへの入力として使用します。
拡散モデルには、トレーニング中の衝突回避と滑らかな軌道を促進する正則化項が統合されており、軌道の最適化により、生成されたシード軌道が改良されて、衝突するセグメントがさらに修正されます。
私たちの実験結果は、C 空間接地拡散モデルを通じて学習された高品質の軌道事前分布を使用すると、狭い通路環境で衝突のない軌道を効率的に生成でき、事前の学習および計画ベースのベースラインを上回るパフォーマンスを発揮することを示しています。
ビデオと追加資料はプロジェクト ページ https://kiwi-sherbet.github.io/PRESTO でご覧いただけます。

要約(オリジナル)

We introduce a learning-guided motion planning framework that provides initial seed trajectories using a diffusion model for trajectory optimization. Given a workspace, our method approximates the configuration space (C-space) obstacles through a key-configuration representation that consists of a sparse set of task-related key configurations, and uses this as an input to the diffusion model. The diffusion model integrates regularization terms that encourage collision avoidance and smooth trajectories during training, and trajectory optimization refines the generated seed trajectories to further correct any colliding segments. Our experimental results demonstrate that using high-quality trajectory priors, learned through our C-space-grounded diffusion model, enables efficient generation of collision-free trajectories in narrow-passage environments, outperforming prior learning- and planning-based baselines. Videos and additional materials can be found on the project page: https://kiwi-sherbet.github.io/PRESTO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google