Multi-Robot Motion Planning with Diffusion Models

要約

拡散モデルは最近、データから複雑なマルチモーダル動作を学習するための幅広いロボットアプリケーションに正常に適用されました。
ただし、以前の作品は、マルチロボット拡散モデルの学習のサンプルの複雑さが高いため、主にシングルロボットおよび小規模環境に限定されています。
この論文では、単一ロボットデータのみを使用しながら、基礎となるデータ分布に準拠する衝突のないマルチロボット軌跡を生成する方法を提案します。
当社のアルゴリズムであるマルチロボットマルチモデル計画拡散（MMD）は、学習した拡散モデルと古典的な検索ベースの手法を組み合わせて、衝突制約の下でデータ駆動型の動きを生成します。
さらにスケーリングすると、単一の拡散モデルがよく一般化できない大きな環境で計画するために複数の拡散モデルを構成する方法を示します。
ロジスティクス環境によって動機付けられたさまざまなシミュレートされたシナリオで、数十のロボットを計画する際のアプローチの有効性を実証します。
ビデオのデモンストレーションとコードを表示：https：//multi-robot-diffusion.github.io/。

要約(オリジナル)

Diffusion models have recently been successfully applied to a wide range of robotics applications for learning complex multi-modal behaviors from data. However, prior works have mostly been confined to single-robot and small-scale environments due to the high sample complexity of learning multi-robot diffusion models. In this paper, we propose a method for generating collision-free multi-robot trajectories that conform to underlying data distributions while using only single-robot data. Our algorithm, Multi-robot Multi-model planning Diffusion (MMD), does so by combining learned diffusion models with classical search-based techniques — generating data-driven motions under collision constraints. Scaling further, we show how to compose multiple diffusion models to plan in large environments where a single diffusion model fails to generalize well. We demonstrate the effectiveness of our approach in planning for dozens of robots in a variety of simulated scenarios motivated by logistics environments. View video demonstrations and code at: https://multi-robot-diffusion.github.io/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google