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指導可能な推論プロセスへの親和性を考えると、軌道計画者として大きな期待を示しています。
以前の作品は、ロボット操作のコンテキストでこれらを正常に適用してきましたが、トレーニングセット内の完全な軌跡として必要なソリューションが存在しない場合、パフォーマンスが低下しました。
これは、ステッチを介して計画できない結果であることを特定し、その後、これを改善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対処します。
これに加えて、これらの機能を安定させ、強化するためのトレーニングおよび推論手順への新しい追加を提案します。
分布の境界条件から外れずに計画を生成し、シミュレーションおよび実際のハードウェアでフランカパンダで障害物回避を実行することにより、アプローチの有効性を実証します。
これらの両方のタスクでは、私たちの方法はベースラインよりも大幅に優れているため、最大4倍の障害を回避できます。

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, Google