Trajectory Manifold Optimization for Fast and Adaptive Kinodynamic Motion Planning

要約

システムが動的に変化する環境に効果的に適応するには、迅速な運動力学的運動計画が不可欠です。
いくつかの努力にもかかわらず、既存のアプローチは依然として、高次元の複雑な問題を迅速に計画するのに苦労しています。
当然のことですが、主な課題は、探索空間、特に軌道空間の高次元性から生じます。
私たちはこの問題に 2 段階の方法で取り組みます。最初に、運動力学的制約を満たしながら、当面のタスクに特に関連する多様な軌道で構成される、低次元の軌道多様体を特定します。{\it offline}。
その後、この多様体内でソリューションを検索し、{\it オンライン}、計画の速度を大幅に向上させます。
連続時間の微分可能な軌跡の多様体をエンコードして生成するために、新しいニューラル ネットワーク モデル {\it Differentiable Motion Manifold Primitives (DMMP)} と実践的なトレーニング戦略を提案します。
任意のターゲット位置への動的な投げを任務とする7自由度ロボットアームを用いた実験は、私たちの方法が計画速度、タスクの成功、および制約の満足度において既存のアプローチを上回ることを実証しました。

要約(オリジナル)

Fast kinodynamic motion planning is crucial for systems to effectively adapt to dynamically changing environments. Despite some efforts, existing approaches still struggle with rapid planning in high-dimensional, complex problems. Not surprisingly, the primary challenge arises from the high-dimensionality of the search space, specifically the trajectory space. We address this issue with a two-step method: initially, we identify a lower-dimensional trajectory manifold {\it offline}, comprising diverse trajectories specifically relevant to the task at hand while meeting kinodynamic constraints. Subsequently, we search for solutions within this manifold {\it online}, significantly enhancing the planning speed. To encode and generate a manifold of continuous-time, differentiable trajectories, we propose a novel neural network model, {\it Differentiable Motion Manifold Primitives (DMMP)}, along with a practical training strategy. Experiments with a 7-DoF robot arm tasked with dynamic throwing to arbitrary target positions demonstrate that our method surpasses existing approaches in planning speed, task success, and constraint satisfaction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google