SafeMove-RL: A Certifiable Reinforcement Learning Framework for Dynamic Motion Constraints in Trajectory Planning

要約

この研究では、動的および不確実な環境でのローカルモーション計画のための動的な安全マージンベースの強化学習フレームワークを提示します。
提案されたプランナーは、リアルタイムの軌道最適化と適応ギャップ分析を統合し、部分的な観測可能性制約の下で効果的な実現可能性評価を可能にします。
未知のシナリオの安全性クリティカルな計算に対処するために、制御不変性を維持しながら動的な安全マージンを形成することにより、空間的軌跡を動的に修正するオンライン学習メカニズムが強化されます。
アブレーション研究や最先端の​​アルゴリズムとの比較を含む広範な評価は、優れた成功率と計算効率を示しています。
フレームワークの有効性は、シミュレートされたプラットフォームと物理的なロボットプラットフォームの両方でさらに検証されます。

要約(オリジナル)

This study presents a dynamic safety margin-based reinforcement learning framework for local motion planning in dynamic and uncertain environments. The proposed planner integrates real-time trajectory optimization with adaptive gap analysis, enabling effective feasibility assessment under partial observability constraints. To address safety-critical computations in unknown scenarios, an enhanced online learning mechanism is introduced, which dynamically corrects spatial trajectories by forming dynamic safety margins while maintaining control invariance. Extensive evaluations, including ablation studies and comparisons with state-of-the-art algorithms, demonstrate superior success rates and computational efficiency. The framework’s effectiveness is further validated on both simulated and physical robotic platforms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google