論文の概要: Enhancing Lattice-based Motion Planning with Introspective Learning and
Reasoning
- arxiv url: http://arxiv.org/abs/2005.07385v2
- Date: Mon, 6 Dec 2021 10:14:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 22:26:13.333523
- Title: Enhancing Lattice-based Motion Planning with Introspective Learning and
Reasoning
- Title（参考訳）: 内観学習と推論による格子型運動計画の強化
- Authors: Mattias Tiger, David Bergstr\"om, Andreas Norrstig, Fredrik Heintz
- Abstract要約: この研究は、イントロスペクティブな学習と、時間の経過とともにコントローラのパフォーマンスに関する推論に関するものである。
異なるアクションの通常のコントローラ実行は、信頼性と不確実性を認識した機械学習技術を用いて学習される。
推論は、学習したモデルが安全であることを検証し、モーションプランナーにおける衝突チェックの有効性を改善するために行われる。
- 参考スコア（独自算出の注目度）: 3.2689702143620143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lattice-based motion planning is a hybrid planning method where a plan made
up of discrete actions simultaneously is a physically feasible trajectory. The
planning takes both discrete and continuous aspects into account, for example
action pre-conditions and collision-free action-duration in the configuration
space. Safe motion planing rely on well-calibrated safety-margins for collision
checking. The trajectory tracking controller must further be able to reliably
execute the motions within this safety margin for the execution to be safe. In
this work we are concerned with introspective learning and reasoning about
controller performance over time. Normal controller execution of the different
actions is learned using reliable and uncertainty-aware machine learning
techniques. By correcting for execution bias we manage to substantially reduce
the safety margin of motion actions. Reasoning takes place to both verify that
the learned models stays safe and to improve collision checking effectiveness
in the motion planner by the use of more accurate execution predictions with a
smaller safety margin. The presented approach allows for explicit awareness of
controller performance under normal circumstances, and timely detection of
incorrect performance in abnormal circumstances. Evaluation is made on the
nonlinear dynamics of a quadcopter in 3D using simulation. Video:
https://youtu.be/STmZduvSUMM
- Abstract（参考訳）: 格子に基づく運動計画法は、個別の行動からなる計画が物理的に実現可能な軌道であるハイブリッド計画法である。
この計画は、例えば、アクション事前条件や、構成空間における衝突のないアクションデューレーションといった、離散的かつ連続的な側面を考慮に入れている。
安全な運動プランニングは、衝突チェックのためによく校正された安全マージンに依存している。
軌道追尾制御装置は、さらに、この安全マージン内で動作を確実に実行でき、実行が安全である必要がある。
この作業では、内省的な学習と、コントローラのパフォーマンスに関する推論に関心があります。
異なるアクションの通常のコントローラ実行は、信頼性と不確実性を認識する機械学習技術を使って学習される。
実行バイアスを補正することで、動作の安全マージンを大幅に削減できます。
学習したモデルが安全であることを検証し、より少ない安全性マージンでより正確な実行予測を使用することで、モーションプランナーの衝突チェック効率を改善するために、推論が行われる。
提案手法は,通常の状況下でのコントローラ性能の明瞭な認識と,異常時の誤動作のタイムリー検出を可能にする。
シミュレーションを用いてクワッドコプターの非線形動力学を3次元で評価する。
ビデオ: https://youtu.be/STmZduvSUMM
関連論文リスト
- Dynamic Tube MPC: Learning Tube Dynamics with Massively Parallel Simulation for Robust Safety in Practice [28.37162791852146]
追跡不能なエラーは、安全を確保するために名目上の計画の堅牢化を必要とする。
本研究では,超並列シミュレーションを利用して動的チューブ表現を学習する手法を提案する。
結果のダイナミックMPCチューブは、3DホッピングロボットARCHERに適用される。
論文 参考訳（メタデータ） (2024-11-22T21:22:51Z) - Safe multi-agent motion planning under uncertainty for drones using
filtered reinforcement learning [6.783774261623415]
本稿では,強化学習と制約制御に基づく軌道計画の強みを生かした,トラクタブルな運動プランナを提案する。
提案手法は,学習のみに基づく手法よりも訓練が容易な,安全かつリアルタイムな実装可能なマルチエージェントモーションプランナを提供する。
論文 参考訳（メタデータ） (2023-10-31T18:09:26Z) - Skip-Plan: Procedure Planning in Instructional Videos via Condensed
Action Space Learning [85.84504287685884]
Skip-Plan(スキップ・プラン)は、訓練ビデオにおけるプロシージャ計画のための凝縮された行動空間学習法である。
アクションチェーン内の不確実なノードやエッジをスキップすることで、長いシーケンス関数と複雑なシーケンス関数を短いが信頼できるものに転送する。
我々のモデルは、凝縮された作用空間内のアクションシーケンス内で、あらゆる種類の信頼できる部分関係を探索する。
論文 参考訳（メタデータ） (2023-10-01T08:02:33Z) - Safe Machine-Learning-supported Model Predictive Force and Motion
Control in Robotics [0.0]
人間とロボットの相互作用や脆弱な物体のハンドリングのような多くのロボットタスクは、安全かつ高性能な操作を実現するために、動き制御と共に現れる力とモーメントの厳密な制御と制限を必要とする。
本研究では,学習支援型モデル予測力と運動制御方式を提案する。
論文 参考訳（メタデータ） (2023-03-08T13:30:02Z) - Active Uncertainty Reduction for Safe and Efficient Interaction
Planning: A Shielding-Aware Dual Control Approach [9.07774184840379]
本稿では,暗黙的二重制御パラダイムに基づく対話型動作計画における能動的不確実性低減を実現するアルゴリズムを提案する。
提案手法は, 動的プログラミングのサンプリングに基づく近似に依拠し, リアルタイム勾配最適化法で容易に解けるモデル予測制御問題に導かれる。
論文 参考訳（メタデータ） (2023-02-01T01:34:48Z) - Statistical Safety and Robustness Guarantees for Feedback Motion
Planning of Unknown Underactuated Stochastic Systems [1.0323063834827415]
本研究では, 平均力学モデルを用いたサンプリングベースプランナを提案し, 学習外乱境界による閉ループ追従誤差を同時に有界化する。
この保証は,10次元四角形ロボットのシミュレーションや,クレージーフライ四角形ロボットとクリアパスジャカルロボットの現実世界でのシミュレーションにおいて,経験的安全性に変換されることを検証した。
論文 参考訳（メタデータ） (2022-12-13T19:38:39Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳（メタデータ） (2022-02-03T09:09:56Z) - Contingencies from Observations: Tractable Contingency Planning with
Learned Behavior Models [82.34305824719101]
人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。
本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。
このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
論文 参考訳（メタデータ） (2021-04-21T14:30:20Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-09T05:57:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。