Efficient Iterative Proximal Variational Inference Motion Planning

要約

不確実性の下でのモーション計画は、最適な後部分布が明示的な形を持っている確率的最適制御問題としてキャストできます。
この事後に概算するために、この作業は、パス分布空間で変分推論（VI）を解くことにより、ガウス分布の空間における最適化の問題をフレーム化します。
線形ガウス確率的ダイナミクスの場合、最適なガウス提案を繰り返し解決するための近位アルゴリズムを提案します。
計算ボトルネックは、密集した軌道上の提案に関する勾配を評価しています。
スパースモーションプランニングファクターグラフとガウスの信念伝播（GBP）を活用して、グラフィックプロセシングユニット（GPU）でのこれらの勾配の並行コンピューティングを可能にします。
新しいパラダイムを、並列ガウス変異推論モーションプランニング（P-GVIMP）と呼びます。
線形ガウスシステムの効率的なアルゴリズムに基づいて、統計的線形回帰（SLR）技術に基づいた反復パラダイムを提案して、P-GVIMPが線形化された時間変化システムのサブラウシンとして機能する非線形確率システムのモーション計画を解決します。
さまざまなロボットシステムで提案されたフレームワークを検証し、不確実性の下で非線形システムの並列計算と成功した計画ソリューションを活用することで達成される大幅な速度加速を実証します。
オープンソースの実装は、https：//github.com/hzyu17/vimpで表示されます。

要約(オリジナル)

Motion planning under uncertainty can be cast as a stochastic optimal control problem where the optimal posterior distribution has an explicit form. To approximate this posterior, this work frames an optimization problem in the space of Gaussian distributions by solving a Variational Inference (VI) in the path distribution space. For linear-Gaussian stochastic dynamics, we propose a proximal algorithm to solve for an optimal Gaussian proposal iteratively. The computational bottleneck is evaluating the gradients with respect to the proposal over a dense trajectory. We exploit the sparse motion planning factor graph and Gaussian Belief Propagation (GBP), allowing for parallel computing of these gradients on Graphics Processing Units (GPUs). We term the novel paradigm as the Parallel Gaussian Variational Inference Motion Planning (P-GVIMP). Building on the efficient algorithm for linear Gaussian systems, we then propose an iterative paradigm based on Statistical Linear Regression (SLR) techniques to solve motion planning for nonlinear stochastic systems, where the P-GVIMP serves as a sub-routine for the linearized time-varying system. We validate the proposed framework on various robotic systems, demonstrating significant speed acceleration achieved by leveraging parallel computation and successful planning solutions for nonlinear systems under uncertainty. An open-sourced implementation is presented at https://github.com/hzyu17/VIMP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google