LaPlaSS: Latent Space Planning for Stochastic Systems

要約

自律移動エージェントは危険な環境で動作することが多く、安全性への意識が必要です。
これらのエージェントには非線形で確率的なダイナミクスが存在する可能性があり、制限されたリスクを保証するために計画時に考慮する必要があります。
ほとんどの最先端の方法では、計画の正確さと安全性を検証するために閉じた形式のダイナミクスが必要ですが、最新のロボット システムにはデータから学習されたダイナミクスが組み込まれていることがよくあります。
したがって、既知のダイナミクス モデルを持たないエージェントのリスクを保証しながら、効率的な軌道計画を実行する必要があります。
私たちは、リスク限定計画に対する「生成してテスト」アプローチを提案します。このアプローチでは、プランナーが近似線形力学モデルを使用して候補軌道を生成し、バリデーターが軌道のリスクを評価し、候補が失敗した場合にプランナーに対して追加の安全制約を計算します。
望ましいリスク限界を満たしていません。
近似モデルを取得するには、変分オートエンコーダーを使用して潜在線形力学モデルを学習し、計画問題を潜在空間にエンコードして候補軌道を生成します。
VAE は、バリデーターで使用する候補の周囲の軌道をサンプリングする役割も果たします。
私たちのアルゴリズムである LaPlaSS が、学習されたダイナミクスを使用して現実世界のエージェントに対して制限されたリスクを伴う軌道計画を生成でき、最新技術よりも桁違いに効率的であることを実証します。

要約(オリジナル)

Autonomous mobile agents often operate in hazardous environments, necessitating an awareness of safety. These agents can have non-linear, stochastic dynamics that must be considered during planning to guarantee bounded risk. Most state of the art methods require closed-form dynamics to verify plan correctness and safety however modern robotic systems often have dynamics that are learned from data. Thus, there is a need to perform efficient trajectory planning with guarantees on risk for agents without known dynamics models. We propose a ‘generate-and-test’ approach to risk-bounded planning in which a planner generates a candidate trajectory using an approximate linear dynamics model and a validator assesses the risk of the trajectory, computing additional safety constraints for the planner if the candidate does not satisfy the desired risk bound. To acquire the approximate model, we use a variational autoencoder to learn a latent linear dynamics model and encode the planning problem into the latent space to generate the candidate trajectory. The VAE also serves to sample trajectories around the candidate to use in the validator. We demonstrate that our algorithm, LaPlaSS, is able to generate trajectory plans with bounded risk for a real-world agent with learned dynamics and is an order of magnitude more efficient than the state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google