Improving Trajectory Stitching with Flow Models

要約

生成モデルは、複雑な分布のモデリングとガイド可能な推論プロセスとの親和性から、軌道プランナーとして大きな可能性を示している。これまでの研究では、これらのモデルをロボット操作の文脈に適用することに成功しているが、必要な解が学習セット内に完全な軌道として存在しない場合には、うまく機能しない。我々は、この原因がスティッチングによるプランニングができないことにあることを明らかにし、この問題を解決するために必要なアーキテクチャとデータセットの選択について述べる。その上で、これらの能力を安定させ、強化するために、訓練と推論の手順に新たな追加を提案する。分布外の境界条件を持つ計画を生成し、シミュレーションと実際のハードウェア上でFranka Pandaの障害物回避を実行することで、我々のアプローチの有効性を実証する。これらのタスクの両方において、我々の手法はベースラインよりも大幅に優れた性能を発揮し、最大で4倍の大きさの障害物を回避することができる。

要約(オリジナル)

Generative models have shown great promise as trajectory planners, given their affinity to modeling complex distributions and guidable inference process. Previous works have successfully applied these in the context of robotic manipulation but perform poorly when the required solution does not exist as a complete trajectory within the training set. We identify that this is a result of being unable to plan via stitching, and subsequently address the architectural and dataset choices needed to remedy this. On top of this, we propose a novel addition to the training and inference procedures to both stabilize and enhance these capabilities. We demonstrate the efficacy of our approach by generating plans with out of distribution boundary conditions and performing obstacle avoidance on the Franka Panda in simulation and on real hardware. In both of these tasks our method performs significantly better than the baselines and is able to avoid obstacles up to four times as large.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL