Multi-Robot Motion Planning with Diffusion Models

要約

拡散モデルは近年、データから複雑なマルチモーダル行動を学習するための幅広いロボット工学アプリケーションへの適用に成功している。しかし、先行研究は、マルチロボットの拡散モデルを学習する際のサンプルの複雑性が高いため、ほとんどがシングルロボットや小規模環境に限定されている。本論文では、シングルロボットのデータのみを用いながら、基礎となるデータ分布に適合した衝突のないマルチロボットの軌道を生成する手法を提案する。我々のアルゴリズムであるマルチロボット多モデル計画拡散(MMD)は、学習された拡散モデルを古典的な探索ベースの手法と組み合わせることにより、衝突制約の下でデータ駆動型の運動を生成する。さらにスケールアップして、単一の拡散モデルではうまく汎化できないような大規模環境において、複数の拡散モデルを組み合わせて計画を立てる方法を示す。我々は、物流環境を動機とした様々なシミュレーションシナリオにおいて、数十台のロボットのプランニングにおいて我々のアプローチの有効性を実証する。補足資料にあるビデオデモと、https://github.com/yoraish/mmd にあるコードをご覧ください。

要約(オリジナル)

Diffusion models have recently been successfully applied to a wide range of robotics applications for learning complex multi-modal behaviors from data. However, prior works have mostly been confined to single-robot and small-scale environments due to the high sample complexity of learning multi-robot diffusion models. In this paper, we propose a method for generating collision-free multi-robot trajectories that conform to underlying data distributions while using only single-robot data. Our algorithm, Multi-robot Multi-model planning Diffusion (MMD), does so by combining learned diffusion models with classical search-based techniques — generating data-driven motions under collision constraints. Scaling further, we show how to compose multiple diffusion models to plan in large environments where a single diffusion model fails to generalize well. We demonstrate the effectiveness of our approach in planning for dozens of robots in a variety of simulated scenarios motivated by logistics environments. View video demonstrations in our supplementary material, and our code at: https://github.com/yoraish/mmd.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL