Cascaded Diffusion Models for Neural Motion Planning

要約

現実の世界のロボットは、衝突せずに複雑な環境の目標を認識して移動する必要があります。
センサーの知覚に依存し、目標が乱雑になる場合、衝突を回避することは特に困難です。
拡散ポリシーやその他の生成モデルは、現地の計画の問題を解決する際に強力なパフォーマンスを示していますが、多くの場合、真に挑戦的なグローバルなモーション計画の問題を特徴付けるすべての微妙な制約違反を回避するのに苦労しています。
この作業では、拡散ポリシーを使用してグローバルモーション計画を学習するためのアプローチを提案し、ロボットが複雑なシーンを通して完全な軌跡を生成し、パスに沿った複数の障害について推論できるようにします。
私たちのアプローチでは、軌道が衝突がないことを確認するために、オンラインプランの修理とともにグローバルな予測と局所洗練を統一するカスケード式階層モデルを使用しています。
私たちの方法は、ナビゲーションや操作を含む複数のドメインの挑戦的なタスクに関するさまざまなベースラインよりも優れています（〜5％）。

要約(オリジナル)

Robots in the real world need to perceive and move to goals in complex environments without collisions. Avoiding collisions is especially difficult when relying on sensor perception and when goals are among clutter. Diffusion policies and other generative models have shown strong performance in solving local planning problems, but often struggle at avoiding all of the subtle constraint violations that characterize truly challenging global motion planning problems. In this work, we propose an approach for learning global motion planning using diffusion policies, allowing the robot to generate full trajectories through complex scenes and reasoning about multiple obstacles along the path. Our approach uses cascaded hierarchical models which unify global prediction and local refinement together with online plan repair to ensure the trajectories are collision free. Our method outperforms (by ~5%) a wide variety of baselines on challenging tasks in multiple domains including navigation and manipulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google