DiffusionSeeder: Seeding Motion Optimization with Diffusion for Rapid Motion Planning

要約

GPU コンピューティングを活用して多数の並列シード間で最適化を実行すると、適切な初期化の必要性が緩和されますが、問題が高度に非凸である場合、すべてのシードが極小値でスタックする可能性があるため、これは失敗する可能性があります。
そのような設定の 1 つは、ロボット操作のための衝突のないモーションの最適化です。この最適化では、簡単な問題ではすぐに収束しますが、障害物が密集した環境 (乱雑なキャビネットやテーブルなど) では困難が伴います。
このような状況では、シードを取得するためにグラフベースの計画アルゴリズムが使用されるため、速度が大幅に低下します。
我々は、迅速なロボット動作計画のためのシード動作最適化のための軌道を生成する拡散ベースのアプローチである DiffusionSeeder を提案します。
DiffusionSeeder は、シーンの最初の深度画像観察を取得し、高品質のマルチモーダル軌道を生成します。その後、動きの最適化を数回繰り返すことで微調整されます。
DiffusionSeeder を統合して、GPU アクセラレーションによるモーション最適化手法である cuRobo のシード軌道を生成します。これにより、部分的に観察されたシミュレーション環境で 10% 高い成功率を達成しながら、平均で 12 倍のスピードアップ、より複雑な問題の場合は 36 倍のスピードアップが実現します。
私たちの結果は、学習された拡散モデルからの多様なソリューションを使用することの有効性を示しています。
Franka ロボットでの物理実験では、DiffusionSeeder を実際のロボットに sim2real で転送することを実証しました。平均成功率は 86%、計画時間は 26 ミリ秒で、cuRobo よりも成功率が 51% 向上し、同時に 2.5 倍高速になりました。

要約(オリジナル)

Running optimization across many parallel seeds leveraging GPU compute have relaxed the need for a good initialization, but this can fail if the problem is highly non-convex as all seeds could get stuck in local minima. One such setting is collision-free motion optimization for robot manipulation, where optimization converges quickly on easy problems but struggle in obstacle dense environments (e.g., a cluttered cabinet or table). In these situations, graph-based planning algorithms are used to obtain seeds, resulting in significant slowdowns. We propose DiffusionSeeder, a diffusion based approach that generates trajectories to seed motion optimization for rapid robot motion planning. DiffusionSeeder takes the initial depth image observation of the scene and generates high quality, multi-modal trajectories that are then fine-tuned with a few iterations of motion optimization. We integrate DiffusionSeeder to generate the seed trajectories for cuRobo, a GPU-accelerated motion optimization method, which results in 12x speed up on average, and 36x speed up for more complicated problems, while achieving 10% higher success rate in partially observed simulation environments. Our results show the effectiveness of using diverse solutions from a learned diffusion model. Physical experiments on a Franka robot demonstrate the sim2real transfer of DiffusionSeeder to the real robot, with an average success rate of 86% and planning time of 26ms, improving on cuRobo by 51% higher success rate while also being 2.5x faster.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google