Neural Trajectory Model: Implicit Neural Trajectory Representation for Trajectories Generation

要約

軌道計画はロボット工学における基本的な問題である。軌道計画は、ナビゲーション、運動計画、制御、マルチエージェント協調など幅広い応用を促進する。軌道計画は、その計算の複雑さと、不確実性、非線形性、リアルタイム性を伴う実環境の複雑さのために難しい問題である。マルチエージェントの軌道計画問題は、エージェント間の相互作用により、別の次元の困難さが加わります。既存の解決策は、探索ベースまたは最適化ベースのアプローチであり、環境に関する仮定が単純化されており、計画速度に限界があり、エージェント数のスケーラビリティに限界がある。本研究では、シングルエージェントおよびマルチエージェントの軌跡計画問題を、軌跡の暗黙的な神経表現に対する問い合わせ問題として再定式化する最初の試みを行う。我々は、このような暗黙の表現を、複雑な環境においてほぼ最適な軌道を生成するために問い合わせ可能なニューラル軌道モデル(NTM)として定式化する。シミュレーション環境において実験を行い、NTMがシングルエージェントおよびマルチエージェントの軌道計画問題を解決できることを示す。実験では、NTMは(1)GPUを用いたミリ秒以下のパンニング時間、(2)全ての環境衝突のほぼ回避、(3)全てのエージェント間衝突のほぼ回避、(4)ほぼ最短経路の生成を達成した。また、同じNTMフレームワークを軌道修正と複数軌道の衝突解決にも用いることで、低品質で衝突の多いマルチエージェントの軌道を効率的にほぼ最適な解に洗練できることを実証する。(オープンソースコードはhttps://github.com/laser2099/neural-trajectory-model)

要約(オリジナル)

Trajectory planning is a fundamental problem in robotics. It facilitates a wide range of applications in navigation and motion planning, control, and multi-agent coordination. Trajectory planning is a difficult problem due to its computational complexity and real-world environment complexity with uncertainty, non-linearity, and real-time requirements. The multi-agent trajectory planning problem adds another dimension of difficulty due to inter-agent interaction. Existing solutions are either search-based or optimization-based approaches with simplified assumptions of environment, limited planning speed, and limited scalability in the number of agents. In this work, we make the first attempt to reformulate single agent and multi-agent trajectory planning problem as query problems over an implicit neural representation of trajectories. We formulate such implicit representation as Neural Trajectory Models (NTM) which can be queried to generate nearly optimal trajectory in complex environments. We conduct experiments in simulation environments and demonstrate that NTM can solve single-agent and multi-agent trajectory planning problems. In the experiments, NTMs achieve (1) sub-millisecond panning time using GPUs, (2) almost avoiding all environment collision, (3) almost avoiding all inter-agent collision, and (4) generating almost shortest paths. We also demonstrate that the same NTM framework can also be used for trajectories correction and multi-trajectory conflict resolution refining low quality and conflicting multi-agent trajectories into nearly optimal solutions efficiently. (Open source code will be available at https://github.com/laser2099/neural-trajectory-model)

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL