Accelerating Gaussian Variational Inference for Motion Planning Under Uncertainty

要約

この研究は、確率的最適制御問題として不確実性の下での動作計画に取り組んでいます。
最適コントローラーによって引き起こされるパス分布は、既知の形式の事後パス分布に対応します。
この事後分布を近似するために、\cite{yu2023gaussian} で導入されたガウス変分推論モーション プランニング (GVIMP) パラダイムに沿ったガウス分布の空間で最適化問題を組み立てます。
このフレームワークでは、計算のボトルネックは、密な離散化軌道にわたる衝突コストの期待値を評価し、周辺共分散を計算することにあります。
この研究では、衝突コストとガウス信念伝播 (GBP) 周辺共分散計算の並列計算を可能にするスパース モーション プランニング係数グラフを利用して、GVIMP を解決するための計算効率の高いアプローチを導入します。
この新しいパラダイムを、並列ガウス変分推論運動計画 (P-GVIMP) と名付けます。
提案されたフレームワークをさまざまなロボット システムで検証し、並列計算にグラフィックス プロセッシング ユニット (GPU) を活用することで大幅な速度加速が達成されることを実証します。
オープンソースの実装は https://github.com/hzyu17/VIMP で提供されています。

要約(オリジナル)

This work addresses motion planning under uncertainty as a stochastic optimal control problem. The path distribution induced by the optimal controller corresponds to a posterior path distribution with a known form. To approximate this posterior, we frame an optimization problem in the space of Gaussian distributions, which aligns with the Gaussian Variational Inference Motion Planning (GVIMP) paradigm introduced in \cite{yu2023gaussian}. In this framework, the computation bottleneck lies in evaluating the expectation of collision costs over a dense discretized trajectory and computing the marginal covariances. This work exploits the sparse motion planning factor graph, which allows for parallel computing collision costs and Gaussian Belief Propagation (GBP) marginal covariance computation, to introduce a computationally efficient approach to solving GVIMP. We term the novel paradigm as the Parallel Gaussian Variational Inference Motion Planning (P-GVIMP). We validate the proposed framework on various robotic systems, demonstrating significant speed acceleration achieved by leveraging Graphics Processing Units (GPUs) for parallel computation. An open-sourced implementation is presented at https://github.com/hzyu17/VIMP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google