Constrained Gaussian Process Motion Planning via Stein Variational Newton Inference

要約

Gaussian Process Motion Planning（GPMP）は、限られた計算時間内にスムーズな軌跡を生成するための広く使用されているフレームワークです。これは、多くのロボットアプリケーションで重要な要件です。
ただし、従来のGPMPアプローチは、しばしば硬い非線形制約の実施に苦労し、完全なベイジアン事後を無視する最大の事後（MAP）ソリューションに依存しています。
これにより、計画の多様性が制限され、最終的には意思決定を妨げます。
Stein変異勾配降下（SVGD）を運動計画に統合するための最近の取り組みは、複雑な制約の処理において有望であることが示されています。
それにもかかわらず、これらの方法は、確率的推論の問題が不十分に条件付けられている場合の制約と非効率性を厳密に施行することの難しさなど、依然として永続的な課題に直面しています。
これらの問題に対処するために、ハード制約の下で軌道最適化のために特別に設計された以前のGPMPを組み込んだGPMPを組み込んだ、新しい制約されたStein変動ガウスプロセスモーションプランニング（CSGPMP）フレームワークを提案します。
私たちのアプローチは、非線形制約を明示的に処理しながら、粒子ベースの推論の効率を改善します。
この進歩により、GPMPの適用性が、限られた時間内に堅牢なベイジアン推論、厳密な制約順守、計算効率を要求するモーション計画シナリオに大幅に広がります。
標準ベンチマークでの方法を検証し、350の計画タスクで平均成功率が98.57％を達成し、競争力のあるベースラインを大幅に上回ります。
これは、多様な軌道モードを発見および使用する方法の能力を示しています。複雑な環境での柔軟性と適応性を高め、主要な計算コストを帯びることなく標準ベースラインよりも大幅な改善を実現します。

要約(オリジナル)

Gaussian Process Motion Planning (GPMP) is a widely used framework for generating smooth trajectories within a limited compute time–an essential requirement in many robotic applications. However, traditional GPMP approaches often struggle with enforcing hard nonlinear constraints and rely on Maximum a Posteriori (MAP) solutions that disregard the full Bayesian posterior. This limits planning diversity and ultimately hampers decision-making. Recent efforts to integrate Stein Variational Gradient Descent (SVGD) into motion planning have shown promise in handling complex constraints. Nonetheless, these methods still face persistent challenges, such as difficulties in strictly enforcing constraints and inefficiencies when the probabilistic inference problem is poorly conditioned. To address these issues, we propose a novel constrained Stein Variational Gaussian Process Motion Planning (cSGPMP) framework, incorporating a GPMP prior specifically designed for trajectory optimization under hard constraints. Our approach improves the efficiency of particle-based inference while explicitly handling nonlinear constraints. This advancement significantly broadens the applicability of GPMP to motion planning scenarios demanding robust Bayesian inference, strict constraint adherence, and computational efficiency within a limited time. We validate our method on standard benchmarks, achieving an average success rate of 98.57% across 350 planning tasks, significantly outperforming competitive baselines. This demonstrates the ability of our method to discover and use diverse trajectory modes, enhancing flexibility and adaptability in complex environments, and delivering significant improvements over standard baselines without incurring major computational costs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google