Let’s Make a Splan: Risk-Aware Trajectory Optimization in a Normalized Gaussian Splat

要約

ニューラル放射輝度のフィールドとガウスの飛び散は、複雑なシーンの写真と現実的な表現を可能にすることにより、最近コンピュータービジョンを変えました。
ただし、軌道最適化などの現実世界のロボットタスクでは、アプリケーションが限られています。
これは、放射輝度モデルの衝突と、密なモデルでの動作に関連する計算の複雑さについての推論の困難によるものです。
このペーパーでは、ガウススプラッティングモデルで動作するリスク認識の軌道オプティマイザーであるスプランニングを提案することにより、これらの課題に対処します。
この論文は、最初に、ロボットと輝きフィールドの間の衝突の可能性を厳密に上に縛る方法を導き出します。
次に、このペーパーでは、この衝突バウンドの効率的な計算を可能にするガウススプラッティングの正規化された再定式化を紹介します。
最後に、このペーパーでは、ガウスのスプラットの衝突を避ける軌跡を最適化する方法を紹介します。
実験では、スプラニングが散らかった環境で衝突のない軌跡を生成する際に最先端の方法を上回ることが示されています。
提案されたシステムは、実際のロボットマニピュレーターでもテストされています。
プロジェクトページは、https：//roahmlab.github.io/splanningで入手できます。

要約(オリジナル)

Neural Radiance Fields and Gaussian Splatting have recently transformed computer vision by enabling photo-realistic representations of complex scenes. However, they have seen limited application in real-world robotics tasks such as trajectory optimization. This is due to the difficulty in reasoning about collisions in radiance models and the computational complexity associated with operating in dense models. This paper addresses these challenges by proposing SPLANNING, a risk-aware trajectory optimizer operating in a Gaussian Splatting model. This paper first derives a method to rigorously upper-bound the probability of collision between a robot and a radiance field. Then, this paper introduces a normalized reformulation of Gaussian Splatting that enables efficient computation of this collision bound. Finally, this paper presents a method to optimize trajectories that avoid collisions in a Gaussian Splat. Experiments show that SPLANNING outperforms state-of-the-art methods in generating collision-free trajectories in cluttered environments. The proposed system is also tested on a real-world robot manipulator. A project page is available at https://roahmlab.github.io/splanning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google