From Configuration-Space Clearance to Feature-Space Margin: Sample Complexity in Learning-Based Collision Detection

要約

モーション計画はロボット工学の中心的な課題であり、学習ベースのアプローチは近年大きな注目を集めています。
私たちの作業は、これらのアプローチの特定の側面に焦点を当てています。マシンラーニング手法、特にベクターマシン（SVM）をサポートするために、ロボット構成が衝突フリーであるかどうかを評価し、「衝突検出」と呼ばれる操作です。
これらの方法の人気が高まっているにもかかわらず、効率と予測の精度をサポートする理論の欠如があります。
これは、一般的な機械学習方法、特にSVMの豊富な理論的結果とはまったく対照的です。
私たちの作業は、モーション計画における学習ベースの衝突検出のためのSVM分類器のサンプルの複雑さを分析することにより、このギャップを橋渡しします。
特定の信頼レベルで指定された精度を達成するために必要なサンプルの数を拘束しました。
この結果は、システムのクリアランスなどのロボットモーションプランニングに関連する用語で述べられています。
これらの理論的結果に基づいて、ロボット構成を衝突のないものとして分類する際のアルゴリズムのエラーについて統計的保証を提供できる衝突検出アルゴリズムを提案します。

要約(オリジナル)

Motion planning is a central challenge in robotics, with learning-based approaches gaining significant attention in recent years. Our work focuses on a specific aspect of these approaches: using machine-learning techniques, particularly Support Vector Machines (SVM), to evaluate whether robot configurations are collision free, an operation termed “collision detection”. Despite the growing popularity of these methods, there is a lack of theory supporting their efficiency and prediction accuracy. This is in stark contrast to the rich theoretical results of machine-learning methods in general and of SVMs in particular. Our work bridges this gap by analyzing the sample complexity of an SVM classifier for learning-based collision detection in motion planning. We bound the number of samples needed to achieve a specified accuracy at a given confidence level. This result is stated in terms relevant to robot motion-planning such as the system’s clearance. Building on these theoretical results, we propose a collision-detection algorithm that can also provide statistical guarantees on the algorithm’s error in classifying robot configurations as collision-free or not.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google