論文の概要: NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning
- arxiv url: http://arxiv.org/abs/2210.00120v1
- Date: Fri, 30 Sep 2022 22:34:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 17:12:47.206534
- Title: NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning
- Title(参考訳): NTFields:物理情報を用いたロボット運動計画のためのニューラルネットワーク
- Authors: Ruiqi Ni, Ahmed H. Qureshi
- Abstract要約: 乱雑なシナリオにおけるロボット動作計画のためのニューラルタイムフィールド(NTFields)を提案する。
本フレームワークは,Eykonal Equationと呼ばれる非線形一階PDEから得られる経路解を見つけるために,連続到着時間を生成する波動伝搬モデルを表す。
ギブソン・データセットを含む様々な散在した3次元環境において本手法の評価を行い,4-DOFおよび6-DOFロボットマニピュレータの動作計画問題を解く能力を実証した。
- 参考スコア(独自算出の注目度): 1.9798034349981157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural Motion Planners (NMPs) have emerged as a promising tool for solving
robot navigation tasks in complex environments. However, these methods often
require expert data for learning, which limits their application to scenarios
where data generation is time-consuming. Recent developments have also led to
physics-informed deep neural models capable of representing complex dynamical
Partial Differential Equations (PDEs). Inspired by these developments, we
propose Neural Time Fields (NTFields) for robot motion planning in cluttered
scenarios. Our framework represents a wave propagation model generating
continuous arrival time to find path solutions informed by a nonlinear
first-order PDE called Eikonal Equation. We evaluate our method in various
cluttered 3D environments, including the Gibson dataset, and demonstrate its
ability to solve motion planning problems for 4-DOF and 6-DOF robot
manipulators where the traditional grid-based Eikonal planners often face the
curse of dimensionality. Furthermore, the results show that our method exhibits
high success rates and significantly lower computational times than the
state-of-the-art methods, including NMPs that require training data from
classical planners.
- Abstract(参考訳): Neural Motion Planners (NMP)は、複雑な環境でロボットナビゲーションタスクを解くための有望なツールとして登場した。
しかし、これらの方法は学習のために専門的なデータを必要とすることが多く、データ生成が時間を要するシナリオに限定される。
近年の進歩は、複雑な動的部分微分方程式(PDE)を表現できる物理インフォームドディープニューラルモデルにも繋がっている。
これらの発展にインスパイアされたロボット動作計画のためのニューラルタイムフィールド(NTFields)を提案する。
本フレームワークは,Eykonal Equationと呼ばれる非線形一階PDEから得られる経路解を見つけるために連続到着時間を生成する波動伝搬モデルを表す。
提案手法はギブソンデータセットを含む様々な散在した3次元環境において評価し,従来のグリッドベースのアイコナルプランナーがしばしば次元の呪いに直面する4-DOFおよび6-DOFロボットマニピュレータの動作計画問題を解く能力を示す。
さらに,本手法は,従来のプランナーのトレーニングデータを必要とするNMPを含む最先端の手法よりも,高い成功率と計算時間を示すことを示す。
関連論文リスト
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [153.9455825436751]
Equivariant Graph Neural Operator (EGNO) は,次のステップの予測に代えて,ダイナミックスを直接トラジェクトリとしてモデル化する,斬新で原理的な手法である。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-19T21:50:32Z) - How to Learn and Generalize From Three Minutes of Data:
Physics-Constrained and Uncertainty-Aware Neural Stochastic Differential
Equations [24.278738290287293]
ニューラル微分方程式(SDE)を用いた制御力学モデル学習のためのフレームワークとアルゴリズムを提案する。
本研究では,従来の物理知識を帰納バイアスとして活用するためのドリフト項を構築し,学習モデルの予測の不確かさを距離認識した推定値を表す拡散項を設計する。
我々は、シミュレーションロボットシステムの実験を通じてこれらの能力を実証し、ヘキサコプターの飛行力学をモデル化し制御する。
論文 参考訳(メタデータ) (2023-06-10T02:33:34Z) - Progressive Learning for Physics-informed Neural Motion Planning [1.9798034349981157]
モーションプランニングは、衝突のないロボットの動き経路を見つけるための高速な方法を必要とする、中核的なロボティクス問題の1つである。
近年の進歩は、運動計画のためのアイコン方程式を直接解く物理インフォームドNMPアプローチにつながっている。
本稿では,ニューラルネットワークをエキスパートデータなしで学習するための新しい進化的学習戦略を提案する。
論文 参考訳(メタデータ) (2023-06-01T12:41:05Z) - Fast Kinodynamic Planning on the Constraint Manifold with Deep Neural
Networks [29.239926645660823]
本稿では,制約多様体の概念を利用した新しい学習計画フレームワークを提案する。
我々の手法は任意の制約を満たす計画を生成し、ニューラルネットワークの推論時間という短い一定時間でそれらを計算する。
我々は,2つのシミュレートされたタスクと,ロボット・エアホッケーにおける打撃動作を実行するために,クカ・LBRIiwa 14ロボットアームを用いた実世界のシナリオに対して,我々のアプローチを検証した。
論文 参考訳(メタデータ) (2023-01-11T06:54:11Z) - Neural Galerkin Schemes with Active Learning for High-Dimensional
Evolution Equations [44.89798007370551]
本研究では,高次元偏微分方程式を数値的に解くために,能動的学習を用いた学習データを生成するディープラーニングに基づくニューラル・ガレルキンスキームを提案する。
ニューラル・ガレルキンスキームはディラック・フランケル変分法に基づいて、残余を時間とともに最小化することで、ネットワークを訓練する。
提案したニューラル・ガレルキン・スキームの学習データ収集は,高次元におけるネットワークの表現力を数値的に実現するための鍵となる。
論文 参考訳(メタデータ) (2022-03-02T19:09:52Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。
本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
論文 参考訳(メタデータ) (2021-06-14T04:31:15Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳(メタデータ) (2021-03-23T09:32:06Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z)
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。