DDAT: Diffusion Policies Enforcing Dynamically Admissible Robot Trajectories

要約

拡散モデルは、マルチモーダルの生成機能のおかげで、画像とビデオの作成に優れています。
これらの同じ機能により、拡散モデルはロボット研究でますます人気があり、ロボットの動きを生成するために使用されています。
ただし、拡散モデルの確率的性質は、ロボットの実現可能な動きを表す正確な動的方程式と基本的に容易になっています。
したがって、動的に許容可能なロボット軌跡を生成することは、拡散モデルにとって課題です。
この問題を軽減するために、DDAT：拡散ポリシーを動的に許容できる軌跡のための拡散ポリシーを導入して、拡散モデルを使用してブラックボックスロボットシステムの証拠的に許容可能な軌跡を生成します。
シーケンスの各状態がロボットの運動方程式によってその前身の到達可能なセットに属している場合、一連の状態は動的に容認できる軌跡です。
このような軌跡を生成するために、私たちの拡散ポリシーは、トレーニングと推論の両方で、それらの予測を動的に許容可能なマニホールドに投影し、除生ニューラルネットワークの目的を動的な容認性の制約に合わせます。
これらの投影の自己回帰的性質とロボットダイナミクスのブラックボックスの性質により、これらの投影は非常に困難になります。
したがって、このプロセスを予測された後継者と繰り返す前に、予測された後継者を投影する状態に到達可能な到達可能なセットのポリトピックの過少順位を反復的にサンプリングすることにより、容認性を実施します。
正確な軌跡を生成することにより、この投影により、拡散モデルが継続的に再描画する必要性がなくなり、ワンショットの長期軌道計画が可能になります。
私たちのフレームワークは、クアッドコプターとさまざまなムホコ環境での広範なシミュレーションを通じて、単位のGO1およびGO2での実際の実験とともに、高品質の動的に許容可能なロボット軌道を生成することを実証します。

要約(オリジナル)

Diffusion models excel at creating images and videos thanks to their multimodal generative capabilities. These same capabilities have made diffusion models increasingly popular in robotics research, where they are used for generating robot motion. However, the stochastic nature of diffusion models is fundamentally at odds with the precise dynamical equations describing the feasible motion of robots. Hence, generating dynamically admissible robot trajectories is a challenge for diffusion models. To alleviate this issue, we introduce DDAT: Diffusion policies for Dynamically Admissible Trajectories to generate provably admissible trajectories of black-box robotic systems using diffusion models. A sequence of states is a dynamically admissible trajectory if each state of the sequence belongs to the reachable set of its predecessor by the robot’s equations of motion. To generate such trajectories, our diffusion policies project their predictions onto a dynamically admissible manifold during both training and inference to align the objective of the denoiser neural network with the dynamical admissibility constraint. The auto-regressive nature of these projections along with the black-box nature of robot dynamics render these projections immensely challenging. We thus enforce admissibility by iteratively sampling a polytopic under-approximation of the reachable set of a state onto which we project its predicted successor, before iterating this process with the projected successor. By producing accurate trajectories, this projection eliminates the need for diffusion models to continually replan, enabling one-shot long-horizon trajectory planning. We demonstrate that our framework generates higher quality dynamically admissible robot trajectories through extensive simulations on a quadcopter and various MuJoCo environments, along with real-world experiments on a Unitree GO1 and GO2.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google