Global Tensor Motion Planning

要約

蒸留学習や模倣学習など、下流の学習アプリケーション向けに多様で高品質な動作計画を迅速に作成するには、バッチ計画の必要性がますます高まっています。
この論文では、グローバル テンソル モーション プランニング (GTMP)、つまりテンソル演算のみで構成されるサンプリング ベースのモーション プランニング アルゴリズムについて説明します。
ランダムな多部グラフとして表現される新しい離散化構造を導入し、効率的なベクトル化されたサンプリング、衝突チェック、および検索を可能にします。
GTMP が最新の GPU/TPU をサポートしながら確率的完全性を示すことを示す理論的調査を提供します。
さらに、GTMP は、滑らかな構造を多部グラフに組み込むことにより、勾配ベースの最適化を必要とせずに滑らかなスプラインを直接計画します。
LIDAR でスキャンした占有マップと MotionBenchMarker データセットの実験では、ベースラインと比較したバッチ計画における GTMP の計算効率を実証し、多様なアプリケーションや大規模なロボット学習タスクに対する堅牢でスケーラブルなプランナーとしての GTMP の可能性を強調しています。

要約(オリジナル)

Batch planning is increasingly necessary to quickly produce diverse and high-quality motion plans for downstream learning applications, such as distillation and imitation learning. This paper presents Global Tensor Motion Planning (GTMP) — a sampling-based motion planning algorithm comprising only tensor operations. We introduce a novel discretization structure represented as a random multipartite graph, enabling efficient vectorized sampling, collision checking, and search. We provide a theoretical investigation showing that GTMP exhibits probabilistic completeness while supporting modern GPU/TPU. Additionally, by incorporating smooth structures into the multipartite graph, GTMP directly plans smooth splines without requiring gradient-based optimization. Experiments on lidar-scanned occupancy maps and the MotionBenchMarker dataset demonstrate GTMP’s computation efficiency in batch planning compared to baselines, underscoring GTMP’s potential as a robust, scalable planner for diverse applications and large-scale robot learning tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google