Motion Planning Diffusion: Learning and Planning of Robot Motions with Diffusion Models

要約

軌道分布の事前分布を学習することで、ロボットの動作計画最適化を加速することができる。過去に成功した計画がある場合、新たな計画問題の事前予測として軌道生成モデルを学習することが非常に望ましい。先行研究では、運動計画問題をブートストラップするために、この事前分布を利用するいくつかの方法が提案されている。初期化のために事前分布をサンプリングする方法や、軌道最適化のための最大事後定式化で事前分布を利用する方法などである。本研究では、拡散モデルを事前分布として学習することを提案する。拡散モデルの逆ノイジング過程を利用することで、タスクゴールを条件とした事後軌道分布から直接サンプリングすることができる。さらに、拡散は高次元設定においてデータの多峰性を効果的に符号化することが最近示されており、これは特に大規模な軌跡データセットに適している。本手法の有効性を実証するために、提案手法であるモーションプランニングディフュージョンを、シミュレートされた平面ロボットと7頭身のロボットアームマニピュレータ環境において、いくつかのベースラインと比較する。また、本手法の汎化能力を評価するために、未知の障害物が存在する環境でテストを行った。我々の実験は、拡散モデルがロボットの動きの高次元軌道分布を符号化する強力な事前分布であることを示している。

要約(オリジナル)

Learning priors on trajectory distributions can help accelerate robot motion planning optimization. Given previously successful plans, learning trajectory generative models as priors for a new planning problem is highly desirable. Prior works propose several ways on utilizing this prior to bootstrapping the motion planning problem. Either sampling the prior for initializations or using the prior distribution in a maximum-a-posterior formulation for trajectory optimization. In this work, we propose learning diffusion models as priors. We then can sample directly from the posterior trajectory distribution conditioned on task goals, by leveraging the inverse denoising process of diffusion models. Furthermore, diffusion has been recently shown to effectively encode data multimodality in high-dimensional settings, which is particularly well-suited for large trajectory dataset. To demonstrate our method efficacy, we compare our proposed method – Motion Planning Diffusion – against several baselines in simulated planar robot and 7-dof robot arm manipulator environments. To assess the generalization capabilities of our method, we test it in environments with previously unseen obstacles. Our experiments show that diffusion models are strong priors to encode high-dimensional trajectory distributions of robot motions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL