Learning feasible transitions for efficient contact planning

要約

非常に制約された環境における脚式ロボットの接触計画は困難です。
主な困難は、連続軌道の最適化と離散探索の組み合わせという問題の性質が混在していることに起因します。
離散探索問題を高速化するために、この論文では、ある接触モードから次の接触モードへの遷移の特性を学習することを提案します。
特に、実現可能性分類器とオフセット ネットワークについて学びます。
前者は、現在の接触状態から潜在的な次の接触状態が実現可能かどうかを予測します。一方、後者は、低レベル制御の不完全さに起因する、望ましい接触状態を達成する際の位置ずれを補正することを学習します。
これらの学習されたネットワークをモンテカルロ ツリー検索 (MCTS) コンタクト プランナーに統合して、ツリーをより適切に枝刈りし、ヒューリスティックを改善します。
私たちのシミュレーション結果は、これらのネットワークをオフライン データでトレーニングすると、オンライン検索プロセスが大幅に高速化され、精度が向上することを示しています。

要約(オリジナル)

Contact planning for legged robots in extremely constrained environments is challenging. The main difficulty stems from the mixed nature of the problem, discrete search together with continuous trajectory optimization. To speed up the discrete search problem, we propose in this paper to learn the properties of transitions from one contact mode to the next. In particular, we learn a feasibility classifier and an offset network; the former predicts if a potential next contact state is feasible from the current contact state, while the latter learns to compensate for misalignment in achieving a desired contact state due to imperfections of the low-level control. We integrate these learned networks in a Monte Carlo Tree Search (MCTS) contact planner to better prune the tree and improve the heuristic. Our simulation results demonstrate that training these networks with offline data significantly speeds up the online search process and improves its accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google