Learning Sampling Dictionaries for Efficient and Generalizable Robot Motion Planning with Transformers

要約

動作計画は、自動運転、手術用ロボット、産業用マニピュレーターなどのロボット工学アプリケーションに不可欠です。
既存の計画手法には高次元空間への拡張性が欠けており、一方、最近の学習ベースのプランナーは、サンプリングベースのモーション プランナー (SMP) の高速化に有望ですが、分散環境外への汎用性が欠けています。
これに対処するために、以前の学習ベースの手法の主要な一般化とスケーリングの欠点を克服する新しいアプローチであるベクトル量子化モーション プランニング トランスフォーマー (VQ-MPT) を提案します。
VQ-MPT は 2 つのステージで構成されます。
ステージ 1 は、有限数のサンプリング分布を使用して計画空間を表現することを学習するベクトル量子化変分 AutoEncoder モデルであり、ステージ 2 は、学習されたサンプリング分布セットから選択することによって SMP のサンプリング領域を構築する自動回帰モデルです。
大規模なプランニング スペースを個別のセットに分割し、サンプリング領域を選択的に選択することにより、当社のプランナーはすぐに使用できる SMP とうまく連携し、VQ-MPT の支援がない場合よりも高速に最適に近いパスを生成します。
これは、コストマップや点群などの多様な環境表現を備えた 2D 平面から 14D 両手ロボットまで、さまざまな複雑さのシステムに適用できるという点で一般化できます。
トレーニング済みの VQ-MPT モデルは、トレーニング中には見ら​​れない環境に一般化され、以前の方法よりも高い成功率を達成します。

要約(オリジナル)

Motion planning is integral to robotics applications such as autonomous driving, surgical robots, and industrial manipulators. Existing planning methods lack scalability to higher-dimensional spaces, while recent learning based planners have shown promise in accelerating sampling-based motion planners (SMP) but lack generalizability to out-of-distribution environments. To address this, we present a novel approach, Vector Quantized-Motion Planning Transformers (VQ-MPT) that overcomes the key generalization and scaling drawbacks of previous learning-based methods. VQ-MPT consists of two stages. Stage 1 is a Vector Quantized-Variational AutoEncoder model that learns to represent the planning space using a finite number of sampling distributions, and stage 2 is an Auto-Regressive model that constructs a sampling region for SMPs by selecting from the learned sampling distribution sets. By splitting large planning spaces into discrete sets and selectively choosing the sampling regions, our planner pairs well with out-of-the-box SMPs, generating near-optimal paths faster than without VQ-MPT’s aid. It is generalizable in that it can be applied to systems of varying complexities, from 2D planar to 14D bi-manual robots with diverse environment representations, including costmaps and point clouds. Trained VQ-MPT models generalize to environments unseen during training and achieve higher success rates than previous methods.

arxiv情報

著者 Jacob J Johnson,Ahmed H Qureshi,Michael Yip
発行日 2023-06-01 16:08:30+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.RO パーマリンク