Online Adaptation of Sampling-Based Motion Planning with Inaccurate Models

要約

ロボット操作は、分析モデルまたは学習モデルに依存してシステム ダイナミクスをシミュレートします。
これらのモデルは多くの場合不正確で、オフライン情報に基づいているため、ロボット計画者はシステムの予想される動作と実際の動作の間の不一致（予期しない障害物の存在など）に対処できません。
このような状況では、ロボットはオンラインで収集した情報を使用して計画戦略を修正し、実際のシステム応答に適応する必要があります。
我々は、モデル誤差の推定とオンライン観察を使用して、新たな再計画のたびに計画戦略を修正する、サンプリングベースの動作計画アプローチを提案します。
私たちのアプローチは、実行された遷移の結果が予期した結果と異なる場合（ロボットが予期せず障害物に衝突した場合など）、将来の軌道が信頼性の低い動きを回避できるように、コスト関数と運動力学モーション プランナーのサンプリング バイアスを適応させます。
新しい遷移のプロパティを推測するために、コンテキスト認識の概念を導入します。つまり、実行された各遷移のローカル環境情報を保存し、以前の信頼性の低い遷移と同様のコンテキストを持つ新しい遷移を回避します。
これは、シミュレートされた遷移が (状態とアクションの空間内で) 実行された遷移から遠く離れている場合でも、オンライン情報を活用するのに役立ちます。
シミュレーションと実験の結果は、提案されたアプローチにより実行の成功率が向上し、目標を達成するために必要な再計画の回数が減少することを示しています。

要約(オリジナル)

Robotic manipulation relies on analytical or learned models to simulate the system dynamics. These models are often inaccurate and based on offline information, so that the robot planner is unable to cope with mismatches between the expected and the actual behavior of the system (e.g., the presence of an unexpected obstacle). In these situations, the robot should use information gathered online to correct its planning strategy and adapt to the actual system response. We propose a sampling-based motion planning approach that uses an estimate of the model error and online observations to correct the planning strategy at each new replanning. Our approach adapts the cost function and the sampling bias of a kinodynamic motion planner when the outcome of the executed transitions is different from the expected one (e.g., when the robot unexpectedly collides with an obstacle) so that future trajectories will avoid unreliable motions. To infer the properties of a new transition, we introduce the notion of context-awareness, i.e., we store local environment information for each executed transition and avoid new transitions with context similar to previous unreliable ones. This is helpful for leveraging online information even if the simulated transitions are far (in the state-and-action space) from the executed ones. Simulation and experimental results show that the proposed approach increases the success rate in execution and reduces the number of replannings needed to reach the goal.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google