Speeding Up Optimization-based Motion Planning through Deep Learning

要約

複雑な障害物の形状がある環境では、多くの自由度を持つロボットの衝突のない動作を計画するのは困難です。
最近の研究では、成功した動作計画の以前の経験をニューラル ネットワークにエンコードすることで計画をスピードアップするというアイデアが導入されました。
ただし、この「ニューラル モーション プランニング」は、現実世界のアプリケーションに必要な、目に見えない 3D 環境の複雑なロボットには対応できませんでした。
ここでは、コンピューター ビジョンでよく知られている「基点セット」を、多様な 3D 世界にわたって一般化する効率的な教師ありトレーニング ネットワークを可能にする最新のコンパクトな環境エンコーディングとしてニューラル モーション プランニングに導入します。
新しい入念なトレーニング スキームと組み合わせることで、計画の成功率は 100% に達します。
私たちはネットワークを使用して、最適化ベースのプランナー (OMP) の知識に基づいた初期推測を予測します。これにより、実行可能なソリューションに迅速に収束し、これまで見たことのない環境でテストした場合、ランダムなマルチスタートを大幅に上回ります。
19DoF の DLR ヒューマノイド Agile Justin の場合、困難な障害物環境において、単一の CPU コアのみを使用して最適なパスを 200 ミリ秒で生成できます。
また、統合 3D センサーからの高解像度世界モデルに基づいて初めて成功した実世界実験も示します。

要約(オリジナル)

Planning collision-free motions for robots with many degrees of freedom is challenging in environments with complex obstacle geometries. Recent work introduced the idea of speeding up the planning by encoding prior experience of successful motion plans in a neural network. However, this ‘neural motion planning’ did not scale to complex robots in unseen 3D environments as needed for real-world applications. Here, we introduce ‘basis point set’, well-known in computer vision, to neural motion planning as a modern compact environment encoding enabling efficient supervised training networks that generalize well over diverse 3D worlds. Combined with a new elaborate training scheme, we reach a planning success rate of 100%. We use the network to predict an educated initial guess for an optimization-based planner (OMP), which quickly converges to a feasible solution, massively outperforming random multi-starts when tested on previously unseen environments. For the DLR humanoid Agile Justin with 19DoF and in challenging obstacle environments, optimal paths can be generated in 200ms using only a single CPU core. We also show a first successful real-world experiment based on a high-resolution world model from an integrated 3D sensor.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google