Neural Configuration-Space Barriers for Manipulation Planning and Control

要約

乱雑で動的な環境における高次元ロボットマニピュレーターの計画と制御には、計算効率と堅牢な安全性の保証の両方が必要です。
ロボットボディ表現として構成空間距離関数（CDFS）の学習における最近の進歩に触発され、CDFの障壁として安全制約を定式化するモーション計画と制御のための統一されたフレームワークを提案します。
CDFバリアは、ローカルフリー構成スペースに近似し、モーション計画中の衝突チェック操作の数を大幅に減らします。
ただし、ニューラルネットワークでCDFバリアを学習し、オンラインセンサーの観察に依存すると、コントロール合成中に考慮しなければならない不確実性が生じます。
これに対処するために、既知の基礎分布を想定せずにモデリングエラーとセンサーノイズを明示的に説明する制御用の分布的に堅牢なCDFバリア定式化を開発します。
6-dof Xarmマニピュレーターでのシミュレーションとハードウェア実験により、私たちの神経CDFバリアの定式化により、機内ポイントクラウド観測にのみ依存して、散らかった動的環境で効率的な計画と堅牢なリアルタイムの安全な制御が可能になります。

要約(オリジナル)

Planning and control for high-dimensional robot manipulators in cluttered, dynamic environments require both computational efficiency and robust safety guarantees. Inspired by recent advances in learning configuration-space distance functions (CDFs) as robot body representations, we propose a unified framework for motion planning and control that formulates safety constraints as CDF barriers. A CDF barrier approximates the local free configuration space, substantially reducing the number of collision-checking operations during motion planning. However, learning a CDF barrier with a neural network and relying on online sensor observations introduce uncertainties that must be considered during control synthesis. To address this, we develop a distributionally robust CDF barrier formulation for control that explicitly accounts for modeling errors and sensor noise without assuming a known underlying distribution. Simulations and hardware experiments on a 6-DoF xArm manipulator show that our neural CDF barrier formulation enables efficient planning and robust real-time safe control in cluttered and dynamic environments, relying only on onboard point-cloud observations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google