Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models

要約

拡散モデルの最近の進歩は、ロボット工学に大きな可能性を秘めており、環境の生の表現から直接多様で滑らかな軌跡を生成することを可能にします。
この約束にもかかわらず、衝突回避や運動学的実現可能性など、重要な制約を実施するのが困難なため、拡散モデルをモーション計画に適用することは依然として困難です。
These limitations become even more pronounced in Multi-Robot Motion Planning (MRMP), where multiple robots must coordinate in shared spaces.
この課題に対処するために、この作業は同時MRMP拡散（SMD）を提案します。これは、制約された最適化を拡散サンプリングプロセスに統合し、衝突のない運動的に実行可能な軌跡を生成する新しいアプローチです。
さらに、このペーパーでは、さまざまなロボット密度、障害物の複雑さ、および動きの制約を備えたシナリオ全体の軌跡計画アルゴリズムを評価するための包括的なMRMPベンチマークを導入しています。
実験結果は、SMDが一貫してクラシックおよび学習ベースのモーションプランナーを上回り、複雑なマルチロボット環境でより高い成功率と効率を達成することを示しています。

要約(オリジナル)

Recent advances in diffusion models hold significant potential in robotics, enabling the generation of diverse and smooth trajectories directly from raw representations of the environment. Despite this promise, applying diffusion models to motion planning remains challenging due to their difficulty in enforcing critical constraints, such as collision avoidance and kinematic feasibility. These limitations become even more pronounced in Multi-Robot Motion Planning (MRMP), where multiple robots must coordinate in shared spaces. To address this challenge, this work proposes Simultaneous MRMP Diffusion (SMD), a novel approach integrating constrained optimization into the diffusion sampling process to produce collision-free, kinematically feasible trajectories. Additionally, the paper introduces a comprehensive MRMP benchmark to evaluate trajectory planning algorithms across scenarios with varying robot densities, obstacle complexities, and motion constraints. Experimental results show SMD consistently outperforms classical and learning-based motion planners, achieving higher success rates and efficiency in complex multi-robot environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google