Neural Configuration Distance Function for Continuum Robot Control

要約

この論文では、連続体ロボットの形状をニューラル構成ユークリッド距離関数（N-CEDF）としてモデル化するための新しい方法を紹介します。
各リンクの個別の距離フィールドを学習し、運動学チェーンを介してそれらを組み合わせることにより、学習したN-CEDFは、ロボットの形状を正確かつ計算効率的な表現を提供します。
連続体ロボットの距離関数表現の重要な利点は、ポイントクラウドの観測であっても、動的および乱雑な環境でのモーション計画を効率的に衝突することを可能にすることです。
N-CEDFをモデル予測パス積分（MPPI）コントローラーに統合して、マルチセグメント連続ロボットの安全な軌跡を生成します。
提案されたアプローチは、静的および動的な障害物を備えたいくつかのシミュレートされた環境で、さまざまなリンクを持つ連続ロボットのために検証されます。

要約(オリジナル)

This paper presents a novel method for modeling the shape of a continuum robot as a Neural Configuration Euclidean Distance Function (N-CEDF). By learning separate distance fields for each link and combining them through the kinematics chain, the learned N-CEDF provides an accurate and computationally efficient representation of the robot’s shape. The key advantage of a distance function representation of a continuum robot is that it enables efficient collision checking for motion planning in dynamic and cluttered environments, even with point-cloud observations. We integrate the N-CEDF into a Model Predictive Path Integral (MPPI) controller to generate safe trajectories for multi-segment continuum robots. The proposed approach is validated for continuum robots with various links in several simulated environments with static and dynamic obstacles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google