PRESTO: Fast Motion Planning Using Diffusion Models Based on Key-Configuration Environment Representation

要約

軌道最適化のために拡散モデルを使用して種子軌道を生成する学習ガイド付きモーション計画フレームワークを紹介します。
ワークスペースが与えられた場合、この方法は、タスク関連のキー構成のまばらなセットからなる環境表現を通して、構成空間（Cスペース）障害物を概算します。これは、拡散モデルへのコンディショニング入力として使用されます。
拡散モデルは、トレーニング中に滑らかで衝突のない軌跡を促進する正則化用語を統合し、軌道最適化により生成された種子軌道を改良して衝突セグメントを修正します。
私たちの実験結果は、c空間接地拡散モデルを通じて学習した高品質の軌跡前の事前が、狭いパス環境での衝突のない軌跡の効率的な生成を可能にし、以前の学習および計画ベースのベースラインを上回ることを示しています。
ビデオと追加の資料は、プロジェクトページのページにあります：https：//kiwi-sherbet.github.io/presto。

要約(オリジナル)

We introduce a learning-guided motion planning framework that generates seed trajectories using a diffusion model for trajectory optimization. Given a workspace, our method approximates the configuration space (C-space) obstacles through an environment representation consisting of a sparse set of task-related key configurations, which is then used as a conditioning input to the diffusion model. The diffusion model integrates regularization terms that encourage smooth, collision-free trajectories during training, and trajectory optimization refines the generated seed trajectories to correct any colliding segments. Our experimental results demonstrate that high-quality trajectory priors, learned through our C-space-grounded diffusion model, enable the efficient generation of collision-free trajectories in narrow-passage environments, outperforming previous learning- and planning-based baselines. Videos and additional materials can be found on the project page: https://kiwi-sherbet.github.io/PRESTO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google