Kinodynamic FMT* with Dimensionality Reduction Heuristics and Neural Network Controllers

要約

この論文では、非線形システム向けに、FMT*PFF と呼ばれる新しいサンプリングベースの運動力学的運動計画アルゴリズムを提案します。
これは、部分最終状態フリー (PFF) 最適コントローラーを使用した次元削減の新しいアイデアを活用しています。提案された次元削減ヒューリスティックでは、検索空間が部分空間内に制限されるため、通常の運動力学的 FMT* と比較してより高速な収束が達成されます。
。
次元削減ヒューリスティックはサンプリング戦略とみなすことができ、均一な完全状態サンプリングと組み合わせると漸近的な最適性が維持されます。
FMT*PFF のもう 1 つの特徴は、不正確なステアリングを伴うステアリング機能に対処する機能です。これは、学習ベースのステアリング機能を使用する場合に不可欠です。
学習ベースの手法を使用すると、非線形システムのステアリング問題を効率的に解決できます。
ただし、学習ベースの方法では、正確な目標状態に到達できないことがよくあります。
非線形システムの場合、教師あり学習を使用してニューラル ネットワーク コントローラーをトレーニングし、ステアリング コマンドを生成します。
学習ベースのステアリング機能を備えた FMT*PFF が効率的であり、動的に実行可能な動作計画を生成することを示します。
私たちのアルゴリズムを以前のアルゴリズムと比較し、さまざまなシミュレーションで優れたパフォーマンスを示しました。

要約(オリジナル)

This paper proposes a new sampling-based kinodynamic motion planning algorithm, called FMT*PFF, for nonlinear systems. It exploits the novel idea of dimensionality reduction using partial-final-state-free (PFF) optimal controllers.With the proposed dimensionality reduction heuristic, the search space is restricted within a subspace, thus faster convergence is achieved compared to a regular kinodynamic FMT*. The dimensionality reduction heuristic can be viewed as a sampling strategy and asymptotic optimality is preserved when combined with uniform full-state sampling. Another feature of FMT*PFF is the ability to deal with a steering function with inexact steering, which is vital when using learning-based steering functions. Learning-based methods allow us to solve the steering problem for nonlinear systems efficiently. However, learning-based methods often fail to reach the exact goal state. For nonlinear systems, we train a neural network controller using supervised learning to generate the steering commands. We show that FMT*PFF with a learning-based steering function is efficient and generates dynamically feasible motion plans. We compare our algorithm with previous algorithms and show superior performance in various simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google