PRIMER: Perception-Aware Robust Learning-based Multiagent Trajectory Planner

要約

分散型マルチエージェント軌道プランナーでは、衝突のない軌道を生成するために、エージェントは通信して位置を交換する必要があります。
ただし、ローカリゼーションのエラーや不確実性により、エージェント間で軌道が完全に共有されている場合でも、軌道の衝突解消が失敗する可能性があります。
この問題に対処するために、私たちはまず、知覚認識型の分散型非同期マルチエージェント軌道プランナーである PARM および PARM* を紹介します。これにより、エージェントのチームが軌道の衝突を解消し、知覚情報を使用して障害物を回避しながら、不確実な環境をナビゲートできるようになります。
PARM* は PARM とは異なり、保守的ではなく、最適に近いソリューションを見つけるためにより多くの計算を使用します。
これらの方法は最先端のパフォーマンスを実現しますが、オンボードで大規模な最適化問題を解決する必要があるため、計算コストが高くつき、エージェントが高速で再計画することが困難になります。
この課題を克服するために、私たちは 2 番目の重要な貢献である PRIMER を紹介します。これは、エキスパート デモンストレーターとして PARM* を使用して模倣学習 (IL) で訓練された学習ベースのプランナーです。
PRIMER は、ニューラル ネットワークの展開時に低い計算要件を活用し、最適化ベースのアプローチよりも最大 5500 倍速い計算速度を達成します。

要約(オリジナル)

In decentralized multiagent trajectory planners, agents need to communicate and exchange their positions to generate collision-free trajectories. However, due to localization errors/uncertainties, trajectory deconfliction can fail even if trajectories are perfectly shared between agents. To address this issue, we first present PARM and PARM*, perception-aware, decentralized, asynchronous multiagent trajectory planners that enable a team of agents to navigate uncertain environments while deconflicting trajectories and avoiding obstacles using perception information. PARM* differs from PARM as it is less conservative, using more computation to find closer-to-optimal solutions. While these methods achieve state-of-the-art performance, they suffer from high computational costs as they need to solve large optimization problems onboard, making it difficult for agents to replan at high rates. To overcome this challenge, we present our second key contribution, PRIMER, a learning-based planner trained with imitation learning (IL) using PARM* as the expert demonstrator. PRIMER leverages the low computational requirements at deployment of neural networks and achieves a computation speed up to 5500 times faster than optimization-based approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google