NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning

要約

ニューラル モーション プランナー (NMP) は、複雑な環境でのロボット ナビゲーション タスクを解決するための有望なツールとして登場しました。
ただし、これらの方法は、多くの場合、学習のために専門家のデータを必要とするため、データ生成に時間がかかるシナリオへの適用が制限されます。
最近の開発では、複雑な動的偏微分方程式 (PDE) を表現できる、物理学に基づいたディープ ニューラル モデルも生まれました。
これらの開発に着想を得て、雑然としたシナリオでのロボットの動作計画のためのニューラル タイム フィールド (NTFields) を提案します。
私たちのフレームワークは、エイコナル方程式と呼ばれる非線形一次偏微分方程式によって通知される経路解を見つけるために、連続到着時間を生成する波伝搬モデルを表します。
Gibson データセットを含むさまざまな雑然とした 3D 環境でこの方法を評価し、従来のグリッドベースの Eikonal プランナーがしばしば次元の呪いに直面する 4-DOF および 6-DOF ロボット マニピュレーターのモーション プランニングの問題を解決する能力を実証します。
さらに、結果は、従来のプランナーからのトレーニング データを必要とする NMP を含む最先端の方法よりも、私たちの方法が高い成功率と大幅に低い計算時間を示すことを示しています。

要約(オリジナル)

Neural Motion Planners (NMPs) have emerged as a promising tool for solving robot navigation tasks in complex environments. However, these methods often require expert data for learning, which limits their application to scenarios where data generation is time-consuming. Recent developments have also led to physics-informed deep neural models capable of representing complex dynamical Partial Differential Equations (PDEs). Inspired by these developments, we propose Neural Time Fields (NTFields) for robot motion planning in cluttered scenarios. Our framework represents a wave propagation model generating continuous arrival time to find path solutions informed by a nonlinear first-order PDE called Eikonal Equation. We evaluate our method in various cluttered 3D environments, including the Gibson dataset, and demonstrate its ability to solve motion planning problems for 4-DOF and 6-DOF robot manipulators where the traditional grid-based Eikonal planners often face the curse of dimensionality. Furthermore, the results show that our method exhibits high success rates and significantly lower computational times than the state-of-the-art methods, including NMPs that require training data from classical planners.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google