Swarm-Gen: Fast Generation of Diverse Feasible Swarm Behaviors

要約

ロボットの群れの配位挙動は、本質的にマルチモーダルです。
つまり、ロボットの群れがエージェント間の衝突を回避し、それぞれの目標を達成できる多くの方法があります。
ただし、スケーラブルな方法で多様で実行可能な群れの動作を生成する問題は、ほとんど対処されていません。
この論文では、生成モデルとセーフティフィルター（SF）を組み合わせることで、このギャップを埋めます。
具体的には、学習した生成モデルから多様な軌跡をサンプリングし、その後SFを使用して実行可能なセットに投影されます。
生成モデルの2つの選択肢を実験します。すなわち、条件付き変分自動エンコーダー（CVAE）とベクター定量化変分自動エンコーダー（VQ-VAE）を実験します。
これらの2つのモデルが計算時間と軌跡の多様性の観点から提供するトレードオフを強調します。
SF用のカスタムソルバーを開発し、コンテキスト固有の初期化を予測するニューラルネットワークを装備します。
TheCinitializatialization Networkは、SFソルバーの差別化可能性を活用して、自己監督の方法でトレーニングされています。
実証結果の2セットを提供します。
まず、数十ミリ秒以内に多様な群れの動作をシミュレートするマルチモーダルで実行可能な軌跡の大規模なセットを生成できることを実証します。
第二に、初期化ネットワークがSFソルバーの他の代替ヒューリスティックをより高速に収束させることを示します。

要約(オリジナル)

Coordination behavior in robot swarms is inherently multi-modal in nature. That is, there are numerous ways in which a swarm of robots can avoid inter-agent collisions and reach their respective goals. However, the problem of generating diverse and feasible swarm behaviors in a scalable manner remains largely unaddressed. In this paper, we fill this gap by combining generative models with a safety-filter (SF). Specifically, we sample diverse trajectories from a learned generative model which is subsequently projected onto the feasible set using the SF. We experiment with two choices for generative models, namely: Conditional Variational Autoencoder (CVAE) and Vector-Quantized Variational Autoencoder (VQ-VAE). We highlight the trade-offs these two models provide in terms of computation time and trajectory diversity. We develop a custom solver for our SF and equip it with a neural network that predicts context-specific initialization. Thecinitialization network is trained in a self-supervised manner, taking advantage of the differentiability of the SF solver. We provide two sets of empirical results. First, we demonstrate that we can generate a large set of multi-modal, feasible trajectories, simulating diverse swarm behaviors, within a few tens of milliseconds. Second, we show that our initialization network provides faster convergence of our SF solver vis-a-vis other alternative heuristics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google