DARE: Diffusion Policy for Autonomous Robot Exploration

要約

自律ロボット探索では、ロボットが未知の環境を効率的に探索し、マッピングする必要があります。
現在のロボットの信念に基づいて経路を最適化することしかできない従来の方法と比較して、学習ベースの方法は、過去の経験を利用して未知の領域について推論することにより、パフォーマンスの向上を達成できる可能性を示しています。
この論文では、専門家のデモンストレーションで訓練された拡散モデルを活用する新しい生成アプローチである DARE を提案します。これは、1 回限りの推論を通じて探索パスを明示的に生成できます。
私たちは、注意ベースのエンコーダーと拡散ポリシー モデルに基づいて DARE を構築し、探索のためのより良いパターンを学習するためのトレーニングに最適なグラウンド トゥルース デモンストレーションを導入します。
訓練を受けたプランナーは、部分的な信念を推論して未知の領域の潜在的な構造を認識し、経路計画中にこれらの領域を考慮することができます。
私たちの実験では、DARE が従来の探査プランナーと学習ベースの最先端の探査プランナーの両方と同等のパフォーマンスを達成し、シミュレーションと現実のシナリオの両方で優れた一般化可能性を達成していることを示しています。

要約(オリジナル)

Autonomous robot exploration requires a robot to efficiently explore and map unknown environments. Compared to conventional methods that can only optimize paths based on the current robot belief, learning-based methods show the potential to achieve improved performance by drawing on past experiences to reason about unknown areas. In this paper, we propose DARE, a novel generative approach that leverages diffusion models trained on expert demonstrations, which can explicitly generate an exploration path through one-time inference. We build DARE upon an attention-based encoder and a diffusion policy model, and introduce ground truth optimal demonstrations for training to learn better patterns for exploration. The trained planner can reason about the partial belief to recognize the potential structure in unknown areas and consider these areas during path planning. Our experiments demonstrate that DARE achieves on-par performance with both conventional and learning-based state-of-the-art exploration planners, as well as good generalizability in both simulations and real-life scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google