Learning-Based Motion Planning with Mixture Density Networks

要約

計算時間と経路の最適性の間のトレードオフは、動作計画アルゴリズムにおける重要な考慮事項です。
古典的なサンプリングベースのアルゴリズムは、高次元の計画において計算効率が不十分ですが、学習ベースの手法は、時間効率が高く最適な動作計画を達成する上で大きな可能性を示しています。
SOTA 学習ベースの動作計画アルゴリズムは、サンプリング ベースの方法によって生成されたパスを専門家の監視データとして利用し、回帰手法によってネットワークをトレーニングします。
ただし、これらの方法では、トレーニング セット内の最適パスの重要なマルチモーダル特性が見落とされることが多く、シナリオによっては適切なパスを見つけることができなくなります。
この論文では、トレーニング データのマルチモーダリティを明示的に考慮し、時間効率とパスの最適化を同時に達成する、混合密度ネットワークに基づくマルチモーダル ニューロン プランナー (MNP) を提案します。
点群で表される環境の場合、MNP はまず、点群の処理に適したネットワークをエンコードすることにより、点群を潜在ベクトルに効率的に圧縮します。
次に、MNP が複数の最適なソリューションを学習して予測できるようにするマルチモーダル プランニング ネットワークを設計します。
シミュレーション結果は、私たちの方法が SOTA 学習ベースの方法 MPNet や高度なサンプリングベースの方法 IRRT* および BIT* よりも優れていることを示しています。

要約(オリジナル)

The trade-off between computation time and path optimality is a key consideration in motion planning algorithms. While classical sampling based algorithms fall short of computational efficiency in high dimensional planning, learning based methods have shown great potential in achieving time efficient and optimal motion planning. The SOTA learning based motion planning algorithms utilize paths generated by sampling based methods as expert supervision data and train networks via regression techniques. However, these methods often overlook the important multimodal property of the optimal paths in the training set, making them incapable of finding good paths in some scenarios. In this paper, we propose a Multimodal Neuron Planner (MNP) based on the mixture density networks that explicitly takes into account the multimodality of the training data and simultaneously achieves time efficiency and path optimality. For environments represented by a point cloud, MNP first efficiently compresses the point cloud into a latent vector by encoding networks that are suitable for processing point clouds. We then design multimodal planning networks which enables MNP to learn and predict multiple optimal solutions. Simulation results show that our method outperforms SOTA learning based method MPNet and advanced sampling based methods IRRT* and BIT*.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google