Ergodic Trajectory Optimization on Generalized Domains Using Maximum Mean Discrepancy

要約

カーネル最大平均不一致を使用して一般領域にわたって指定できるエルゴード軌道最適化の新しい定式化を提案します。
エルゴディック軌道の最適化は、ロボット検査、情報収集の問題、捜索救助に関連する問題に対するカバレッジ パスを生成する効果的なアプローチです。
これらの最適化スキームにより、ロボットは、その地域を訪問することで期待される有用性に比例して、その地域で時間を過ごすことが強制されます。
エルゴード軌道を最適化する現在の方法は、定義されたユーティリティマップや明確に定義された空間基底関数などの領域固有の知識に依存して、エルゴード軌道を生成します。
ここでは、検索ドメインからのサンプルのみを必要とする最大平均不一致に基づくエルゴード軌道最適化の一般化を示します。
我々は、領域固有の知識にアクセスすることなく、微分運動学制約のある物体のロボット検査やリー群などのさまざまな問題領域のカバレッジ軌道を生成するアプローチの能力を実証します。
さらに、我々は、領域固有の知識と計算スケーリングとの間のトレードオフを伴うエルゴード軌道最適化のための既存の最先端の方法と比較して、有利な計算スケーリングを示し、これにより、より広いアプリケーションドメインでエルゴードの適用範囲の多用途性を拡張する。

要約(オリジナル)

We present a novel formulation of ergodic trajectory optimization that can be specified over general domains using kernel maximum mean discrepancy. Ergodic trajectory optimization is an effective approach that generates coverage paths for problems related to robotic inspection, information gathering problems, and search and rescue. These optimization schemes compel the robot to spend time in a region proportional to the expected utility of visiting that region. Current methods for ergodic trajectory optimization rely on domain-specific knowledge, e.g., a defined utility map, and well-defined spatial basis functions to produce ergodic trajectories. Here, we present a generalization of ergodic trajectory optimization based on maximum mean discrepancy that requires only samples from the search domain. We demonstrate the ability of our approach to produce coverage trajectories on a variety of problem domains including robotic inspection of objects with differential kinematics constraints and on Lie groups without having access to domain specific knowledge. Furthermore, we show favorable computational scaling compared to existing state-of-the-art methods for ergodic trajectory optimization with a trade-off between domain specific knowledge and computational scaling, thus extending the versatility of ergodic coverage on a wider application domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google