DAMON: Dynamic Amorphous Obstacle Navigation using Topological Manifold Learning and Variational Autoencoding

要約

DAMON は、マニホールド学習と変分オートエンコーディングを活用して障害物回避を実現し、ロボット アームとその障害物との間の複雑なモーション ダイナミクスをキャプチャする事前学習済みの低次元階層構造マニホールド グラフでの適応グラフ トラバーサルによるモーション プランニングを可能にします。
この多用途で再利用可能なアプローチは、さまざまなコラボレーション シナリオに適用できます。
DAMON の主な利点は、低次元のグラフに情報を埋め込むことができることです。これにより、現在のサンプリング ベースの方法で必要とされる計算を繰り返す必要がなくなります。
その結果、計算オーバーヘッドとメモリ フットプリントが大幅に削減され、より高速で効率的なモーション プランニングが実現します。
要約すると、DAMON は、ロボット システムにおける動的な障害物回避の課題に対処し、安全で効率的な人間とロボットのコラボレーションのための有望なソリューションを提供する画期的な方法論です。
私たちのアプローチは、シミュレーションと物理設定の両方で、7-DoF ロボット マニピュレーターで実験的に検証されています。
DAMON を使用すると、ロボットは事前に定義された目標を達成しながら、これまで見えなかった障害物を回避するためのスキルを学習および生成できます。
また、分析フレームワークを使用して、DAMON の設計パラメーターとパフォーマンスを最適化します。
私たちのアプローチは、RRT、RRT*、Dynamic RRT*、L2RRT、MpNet などの主流の方法論よりも優れており、軌道の滑らかさが平均 40\% 向上し、レイテンシ パフォーマンスが 65\% 以上改善されています。

要約(オリジナル)

DAMON leverages manifold learning and variational autoencoding to achieve obstacle avoidance, allowing for motion planning through adaptive graph traversal in a pre-learned low-dimensional hierarchically-structured manifold graph that captures intricate motion dynamics between a robotic arm and its obstacles. This versatile and reusable approach is applicable to various collaboration scenarios. The primary advantage of DAMON is its ability to embed information in a low-dimensional graph, eliminating the need for repeated computation required by current sampling-based methods. As a result, it offers faster and more efficient motion planning with significantly lower computational overhead and memory footprint. In summary, DAMON is a breakthrough methodology that addresses the challenge of dynamic obstacle avoidance in robotic systems and offers a promising solution for safe and efficient human-robot collaboration. Our approach has been experimentally validated on a 7-DoF robotic manipulator in both simulation and physical settings. DAMON enables the robot to learn and generate skills for avoiding previously-unseen obstacles while achieving predefined objectives. We also optimize DAMON’s design parameters and performance using an analytical framework. Our approach outperforms mainstream methodologies, including RRT, RRT*, Dynamic RRT*, L2RRT, and MpNet, with 40\% more trajectory smoothness and over 65\% improved latency performance, on average.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google