Stochastic Implicit Neural Signed Distance Functions for Safe Motion Planning under Sensing Uncertainty

要約

不確実性を感知した場合の動作計画は、ロボットと近くにいる人間の両方の安全を保証するために、構造化されていない環境にあるロボットにとって非常に重要です。
不確実性の下での計画に関する作業のほとんどは、マニピュレーターなどの高次元ロボットに対応できず、ロボットや環境の単純化された形状を想定しているか、オブジェクトごとのノイズの知識を必要とします。
代わりに、環境幾何学に関する正確な知識がなくても、センサー固有の偶然の不確実性を直接モデル化し、複雑な環境における高次元システムの安全な動きを見つける方法を提案します。
確率的符号付き距離関数の新しい暗黙的ニューラル モデルと階層最適化ベースのモーション プランナーを組み合わせて、パスの品質を犠牲にすることなく低リスクのモーションを計画します。
また、私たちの方法はパスのリスクを明示的に制限し、信頼性を提供します。
私たちは、この方法が安全な動きと正確なリスク限界を生み出し、ベースラインのアプローチよりも安全であることを経験的に検証しています。

要約(オリジナル)

Motion planning under sensing uncertainty is critical for robots in unstructured environments to guarantee safety for both the robot and any nearby humans. Most work on planning under uncertainty does not scale to high-dimensional robots such as manipulators, assumes simplified geometry of the robot or environment, or requires per-object knowledge of noise. Instead, we propose a method that directly models sensor-specific aleatoric uncertainty to find safe motions for high-dimensional systems in complex environments, without exact knowledge of environment geometry. We combine a novel implicit neural model of stochastic signed distance functions with a hierarchical optimization-based motion planner to plan low-risk motions without sacrificing path quality. Our method also explicitly bounds the risk of the path, offering trustworthiness. We empirically validate that our method produces safe motions and accurate risk bounds and is safer than baseline approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google