Potential Based Diffusion Motion Planning

要約

高次元空間における効果的な動作計画は、ロボット工学における長年の未解決の問題です。
従来の動作計画アルゴリズムの 1 つのクラスは、電位ベースの動作計画に対応します。
ポテンシャルベースのモーションプランニングの利点は、構成可能性です。対応するポテンシャルを追加することで、さまざまなモーション制約を簡単に組み合わせることができます。
ただし、ポテンシャルからモーション パスを構築するには、構成空間のポテンシャル ランドスケープ全体にわたるグローバルな最適化を解決する必要があり、これは多くの場合極小値になる傾向があります。
私たちは、ポテンシャルベースの動作計画を学習するための新しいアプローチを提案します。このアプローチでは、ニューラルネットワークをトレーニングして、動作計画の軌道全体にわたって簡単に最適化できるポテンシャルを捕捉して学習します。
我々は、このようなアプローチの有効性を示し、古典的なアプローチと最近学習された動作計画アプローチの両方を大幅に上回り、極小値の問題を回避します。
さらに、その固有の構成可能性を説明し、多数の異なるモーション制約に一般化できるようにします。

要約(オリジナル)

Effective motion planning in high dimensional spaces is a long-standing open problem in robotics. One class of traditional motion planning algorithms corresponds to potential-based motion planning. An advantage of potential based motion planning is composability — different motion constraints can be easily combined by adding corresponding potentials. However, constructing motion paths from potentials requires solving a global optimization across configuration space potential landscape, which is often prone to local minima. We propose a new approach towards learning potential based motion planning, where we train a neural network to capture and learn an easily optimizable potentials over motion planning trajectories. We illustrate the effectiveness of such approach, significantly outperforming both classical and recent learned motion planning approaches and avoiding issues with local minima. We further illustrate its inherent composability, enabling us to generalize to a multitude of different motion constraints.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google