Sampling-Based Constrained Motion Planning with Products of Experts

要約

専門家の製品を活用して、制約付き最適化におけるサンプリングベースのモデル予測制御 (MPC) のパフォーマンスを向上させる新しいアプローチを紹介します。
私たちの方法論では、主要な問題を 2 つの要素に分割します。1 つは最適性に焦点を当て、もう 1 つは実現可能性に焦点を当てます。
ディストリビューションとして表される各コンポーネントのソリューションを組み合わせることで、専門家の製品を適用して、プロジェクトからサンプルまでの戦略を実装します。
この戦略では、最適性分布が実行可能領域に投影され、より効率的なサンプリングが可能になります。
このアプローチは、従来のサンプルを作成してからプロジェクトを作成する方法とは対照的で、より多様な探査が可能になり、境界上でのサンプルの蓄積が減少します。
テンソル トレイン ベースの分布モデルを使用して、この原理の効果的な実装を実証します。このモデルは、ノンパラメトリックな性質、タスク レベルでの他の分布との組み合わせの容易さ、および単純なサンプリング手法によって特徴付けられます。
私たちは既存のテンソル トレイン モデルをこの目的に合わせて調整し、障害物回避、掴みにくい操作、多様体上に留まるタスクなど、さまざまなタスクでの実験を通じてアプローチの有効性を検証します。
私たちの実験結果は、提案された方法が既知のベースラインよりも一貫して優れていることを示しており、その有効性に対する強力な経験的裏付けを提供します。

要約(オリジナル)

We present a novel approach to enhance the performance of sampling-based Model Predictive Control (MPC) in constrained optimization by leveraging products of experts. Our methodology divides the main problem into two components: one focused on optimality and the other on feasibility. By combining the solutions from each component, represented as distributions, we apply products of experts to implement a project-then-sample strategy. In this strategy, the optimality distribution is projected into the feasible area, allowing for more efficient sampling. This approach contrasts with the traditional sample-then-project method, leading to more diverse exploration and reducing the accumulation of samples on the boundaries. We demonstrate an effective implementation of this principle using a tensor train-based distribution model, which is characterized by its non-parametric nature, ease of combination with other distributions at the task level, and straightforward sampling technique. We adapt existing tensor train models to suit this purpose and validate the efficacy of our approach through experiments in various tasks, including obstacle avoidance, non-prehensile manipulation, and tasks involving staying on manifolds. Our experimental results demonstrate that the proposed method consistently outperforms known baselines, providing strong empirical support for its effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google