SIL-RRT*: Learning Sampling Distribution through Self Imitation Learning

要約

移動体の安全で実行可能な軌道を効率的に見つけることは、ロボット工学とコンピューター サイエンスの重要な分野です。
この論文では、ディープ ニューラル ネットワークを使用して RRT* アルゴリズムを拡張し、反復ごとのサンプリングの分布を予測する新しい学習ベースの動作計画アルゴリズムである SIL-RRT* を提案します。
私たちは、さまざまな 2D および 3D 環境で SIL-RRT* を評価し、従来のサンプリングベースのアルゴリズムよりも少ないサンプルで高次元の動作計画問題を効率的に解決できることを確立しました。
さらに、SIL-RRT* はより複雑な環境に拡張できるため、ロボットの動作計画の困難な問題を解決するための有望なアプローチとなります。

要約(オリジナル)

Efficiently finding safe and feasible trajectories for mobile objects is a critical field in robotics and computer science. In this paper, we propose SIL-RRT*, a novel learning-based motion planning algorithm that extends the RRT* algorithm by using a deep neural network to predict a distribution for sampling at each iteration. We evaluate SIL-RRT* on various 2D and 3D environments and establish that it can efficiently solve high-dimensional motion planning problems with fewer samples than traditional sampling-based algorithms. Moreover, SIL-RRT* is able to scale to more complex environments, making it a promising approach for solving challenging robotic motion planning problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google