論文の概要: Fast Kinodynamic Planning on the Constraint Manifold with Deep Neural
Networks
- arxiv url: http://arxiv.org/abs/2301.04330v1
- Date: Wed, 11 Jan 2023 06:54:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 17:38:53.579901
- Title: Fast Kinodynamic Planning on the Constraint Manifold with Deep Neural
Networks
- Title(参考訳): ニューラルネットワークを用いた拘束多様体の高速動力学的計画
- Authors: Piotr Kicki, Puze Liu, Davide Tateo, Haitham Bou-Ammar, Krzysztof
Walas, Piotr Skrzypczy\'nski, Jan Peters
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 29.239926645660823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motion planning is a mature area of research in robotics with many
well-established methods based on optimization or sampling the state space,
suitable for solving kinematic motion planning. However, when dynamic motions
under constraints are needed and computation time is limited, fast kinodynamic
planning on the constraint manifold is indispensable. In recent years,
learning-based solutions have become alternatives to classical approaches, but
they still lack comprehensive handling of complex constraints, such as planning
on a lower-dimensional manifold of the task space while considering the robot's
dynamics. This paper introduces a novel learning-to-plan framework that
exploits the concept of constraint manifold, including dynamics, and neural
planning methods. Our approach generates plans satisfying an arbitrary set of
constraints and computes them in a short constant time, namely the inference
time of a neural network. This allows the robot to plan and replan reactively,
making our approach suitable for dynamic environments. We validate our approach
on two simulated tasks and in a demanding real-world scenario, where we use a
Kuka LBR Iiwa 14 robotic arm to perform the hitting movement in robotic Air
Hockey.
- Abstract(参考訳): 運動計画はロボット工学における成熟した研究分野であり、運動計画の解法に適した状態空間の最適化やサンプリングに基づく多くの確立された方法がある。
しかし、制約の下での動的動きが必要で計算時間が限られているとき、制約多様体の高速キノダイナミックプランニングは不可欠である。
近年、学習ベースのソリューションは古典的なアプローチに代わるものとなっているが、ロボットの力学を考慮しつつタスク空間の低次元多様体を計画するといった複雑な制約の包括的処理はいまだに欠けている。
本稿では,力学やニューラルプランニングなどを含む制約多様体の概念を活用する新しい学習・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。
これによりロボットは、動的環境に適したアプローチを、反応的に計画し、再設計することができる。
我々は,2つのシミュレートされたタスクと,ロボットのエアホッケーにおける打撃動作を実行するために,クカLBRアイワ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する。
関連論文リスト
- Unified Task and Motion Planning using Object-centric Abstractions of
Motion Constraints [56.283944756315066]
本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。
我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
論文 参考訳(メタデータ) (2023-12-29T14:00:20Z) - AI planning in the imagination: High-level planning on learned abstract
search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。
本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文 参考訳(メタデータ) (2023-08-16T22:47:16Z) - Leveraging Scene Embeddings for Gradient-Based Motion Planning in Latent
Space [24.95320093765214]
AMP-LSは、従来の計画ベースラインを桁違いの速度で上回りながら、新しい複雑なシーンで計画できる。
実世界の動的シーンにおける閉ループ計画を実現するのに十分な速度が得られた。
論文 参考訳(メタデータ) (2023-03-06T18:49:39Z) - Learning-based Motion Planning in Dynamic Environments Using GNNs and
Temporal Encoding [15.58317292680615]
組込みとエッジ優先化ポリシの両方を学習するために,データアグリゲーションを用いた時間符号化と模倣学習を用いたGNNベースのアプローチを提案する。
実験により, 提案手法は, 最先端の完全な動的計画アルゴリズムよりも, オンラインプランニングを著しく高速化できることが示された。
論文 参考訳(メタデータ) (2022-10-16T01:27:16Z) - Simultaneous Contact-Rich Grasping and Locomotion via Distributed
Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。
ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
論文 参考訳(メタデータ) (2022-07-04T13:52:10Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳(メタデータ) (2021-08-03T02:56:21Z) - MPC-MPNet: Model-Predictive Motion Planning Networks for Fast,
Near-Optimal Planning under Kinodynamic Constraints [15.608546987158613]
Kinodynamic Motion Planning (KMP) は、ロボットの動きを同時に運動学や力学の制約を受ける計算である。
ほぼ最適経路の解を求める,スケーラブルで模倣可能なモデル予測型運動計画ネットワークフレームワークを提案する。
提案アルゴリズムは, 時間, 経路特性, 既存手法に対する成功率の大幅な改善を示す結果から, 乱雑な, キノダイナミックに制約された, 不安定な計画上の問題に対して評価を行う。
論文 参考訳(メタデータ) (2021-01-17T23:07:04Z) - Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。
軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。
NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
論文 参考訳(メタデータ) (2020-12-04T18:59:32Z) - Constrained Motion Planning Networks X [15.047777217748889]
拘束運動計画ネットワークX(CoMPNetX)について述べる。
これはニューラルプランニングアプローチであり、条件付きディープニューラルジェネレータとニューラルグラデーションベースの高速投射演算子を持つ判別器から構成される。
提案手法は,従来のパスフィニングツールよりも高い成功率と低い時間で経路解を求める。
論文 参考訳(メタデータ) (2020-10-17T03:34:38Z) - Neural Manipulation Planning on Constraint Manifolds [13.774614900994342]
マルチモーダルキネマティック制約に対する最初のニューラルプランナーであるConstrained Motion Planning Networks (CoMPNet)を提案する。
我々は,制約のない問題と制約のない問題の両方を含む実用的な動作計画タスクを,CoMPNetが解決していることを示す。
トレーニング中に見えないような、高い成功率の環境において、オブジェクトの新しい見えない場所に一般化する。
論文 参考訳(メタデータ) (2020-08-09T18:58:10Z) - Thinking While Moving: Deep Reinforcement Learning with Concurrent
Control [122.49572467292293]
本研究では,制御システムの時間的進化とともに,ポリシーからのアクションのサンプリングを同時に行わなければならないような環境下での強化学習について検討する。
人や動物のように、ロボットは思考と移動を同時に行わなければならず、前の動作が完了する前に次の動作を決定する。
論文 参考訳(メタデータ) (2020-04-13T17:49:29Z)
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。