要約
不確実性下での軌道の最適化は、ロボット工学における幅広い用途を支えます。
しかし、既存の方法は、認識的および偶然的不確実性の原因、空間と時間の相関、非線形力学、および非凸制約の原因に関する推論の点で制限されています。
この作業では、最初に、計画期間全体にわたる平均バリュー・アット・リスク制約を備えた連続時間計画定式化を導入します。
次に、リスク回避軌道の最適化のための効率的で汎用的なアルゴリズムを可能にするサンプルベースの近似を提案します。
この方法が漸近的に最適であることを証明し、有限サンプル誤差限界を導き出します。
シミュレーションは、非線形力学、障害物フィールド、相互作用、および地形パラメータにおける確率論の問題に対するアプローチの高速性と信頼性を実証します。
要約(オリジナル)
Trajectory optimization under uncertainty underpins a wide range of applications in robotics. However, existing methods are limited in terms of reasoning about sources of epistemic and aleatoric uncertainty, space and time correlations, nonlinear dynamics, and non-convex constraints. In this work, we first introduce a continuous-time planning formulation with an average-value-at-risk constraint over the entire planning horizon. Then, we propose a sample-based approximation that unlocks an efficient and general-purpose algorithm for risk-averse trajectory optimization. We prove that the method is asymptotically optimal and derive finite-sample error bounds. Simulations demonstrate the high speed and reliability of the approach on problems with stochasticity in nonlinear dynamics, obstacle fields, interactions, and terrain parameters.
arxiv情報
著者 | Thomas Lew,Riccardo Bonalli,Marco Pavone |
発行日 | 2023-09-27 00:39:14+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google