Denoising Diffusion Planner: Learning Complex Paths from Low-Quality Demonstrations

要約

ノイズ除去拡散確率モデル (DDPM) は、画像生成、そしてごく最近ではパス計画と制御において非常に成功している強力な生成深層学習モデルです。
このペーパーでは、DDPM の一般化機能と条件付きサンプリング機能を活用して、ロボット エンド エフェクターの複雑なパスを生成する方法を調査します。
合成の低品質デモンストレーションを使用して DDPM をトレーニングするだけで、任意のターゲットに到達する自明ではないパスを生成し、障害物を回避するのに十分であることを示します。
さらに、分類子を使用しないアプローチと分類子ガイド付きのアプローチを組み合わせた条件付きサンプリングのさまざまな戦略を調査します。
最終的には、DDPM を後退地平線制御スキームに導入して、計画機能を強化します。
デノイズ拡散プランナーは、Franka Emika Panda ロボットでのさまざまな実験を通じて実験的に検証されています。

要約(オリジナル)

Denoising Diffusion Probabilistic Models (DDPMs) are powerful generative deep learning models that have been very successful at image generation, and, very recently, in path planning and control. In this paper, we investigate how to leverage the generalization and conditional sampling capabilities of DDPMs to generate complex paths for a robotic end effector. We show that training a DDPM with synthetic and low-quality demonstrations is sufficient for generating nontrivial paths reaching arbitrary targets and avoiding obstacles. Additionally, we investigate different strategies for conditional sampling combining classifier-free and classifier-guided approaches. Eventually, we deploy the DDPM in a receding-horizon control scheme to enhance its planning capabilities. The Denoising Diffusion Planner is experimentally validated through various experiments on a Franka Emika Panda robot.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google