論文の概要: Learning Sampling Dictionaries for Efficient and Generalizable Robot
Motion Planning with Transformers
- arxiv url: http://arxiv.org/abs/2306.00851v2
- Date: Tue, 26 Sep 2023 20:53:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 19:22:01.725619
- Title: Learning Sampling Dictionaries for Efficient and Generalizable Robot
Motion Planning with Transformers
- Title(参考訳): 変圧器を用いた効率的なロボット動作計画のためのサンプリング辞書の学習
- Authors: Jacob J Johnson, Ahmed H Qureshi and Michael Yip
- Abstract要約: 本稿では,従来の学習手法の重要な一般化とスケーリングの欠点を克服するベクトル量子移動計画変換器(VQ-MPT)を提案する。
VQ-MPTは2つの段階から構成される。ステージ1は有限個のサンプリング分布を用いて計画空間を表現するためのベクトル量子変数オートエンコーダモデルであり、ステージ2はSMPのサンプリング領域を構築する自動回帰モデルである。
大きな計画空間を離散集合に分割することで、プランナーはアウト・オブ・ザ・ボックスのSMPとうまくペアを組むことができ、ほぼ最適経路を生成することができる。
- 参考スコア(独自算出の注目度): 3.4131264054394155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion planning is integral to robotics applications such as autonomous
driving, surgical robots, and industrial manipulators. Existing planning
methods lack scalability to higher-dimensional spaces, while recent learning
based planners have shown promise in accelerating sampling-based motion
planners (SMP) but lack generalizability to out-of-distribution environments.
To address this, we present a novel approach, Vector Quantized-Motion Planning
Transformers (VQ-MPT) that overcomes the key generalization and scaling
drawbacks of previous learning-based methods. VQ-MPT consists of two stages.
Stage 1 is a Vector Quantized-Variational AutoEncoder model that learns to
represent the planning space using a finite number of sampling distributions,
and stage 2 is an Auto-Regressive model that constructs a sampling region for
SMPs by selecting from the learned sampling distribution sets. By splitting
large planning spaces into discrete sets and selectively choosing the sampling
regions, our planner pairs well with out-of-the-box SMPs, generating
near-optimal paths faster than without VQ-MPT's aid. It is generalizable in
that it can be applied to systems of varying complexities, from 2D planar to
14D bi-manual robots with diverse environment representations, including
costmaps and point clouds. Trained VQ-MPT models generalize to environments
unseen during training and achieve higher success rates than previous methods.
- Abstract(参考訳): 運動計画は、自律走行、手術ロボット、産業用マニピュレータなどのロボット応用に不可欠なものである。
既存の計画手法は高次元空間へのスケーラビリティを欠いているが、近年の学習ベースのプランナーはサンプリングベースのモーションプランナー (smp) を加速する可能性を示している。
そこで本研究では,従来の学習手法の重要な一般化とスケーリングの欠点を克服する,ベクトル量子化計画変換器(VQ-MPT)を提案する。
VQ-MPTは2つのステージから構成される。
ステージ1は有限個のサンプリング分布を用いて計画空間を表現することを学習するベクトル量子変数オートエンコーダモデルであり、ステージ2は学習したサンプリング分布集合から選択してSMPのサンプリング領域を構築する自動回帰モデルである。
大規模計画空間を離散集合に分割し、サンプリング領域を選択的に選択することにより、プランナーは外部SMPとペアリングし、VQ-MPTの助けなしにほぼ最適経路を生成する。
2次元平面から、コストマップやポイントクラウドなど、多様な環境表現を持つ14次元バイマニピュレーションロボットまで、様々な複雑なシステムに適用できるという点で一般化できる。
訓練されたVQ-MPTモデルは、トレーニング中に見えない環境に一般化し、従来の方法よりも高い成功率を達成する。
関連論文リスト
- Towards Next-Level Post-Training Quantization of Hyper-Scale
Transformers [10.883809442514135]
トレーニング後の量子化(PTQ)は、モバイルデバイスやテレビなどのエッジデバイスにハイパースケールモデルをデプロイするための有望なソリューションとして登場した。
本稿では,精度と効率のバランスをとる新しいPTQアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T05:58:43Z) - DiMSam: Diffusion Models as Samplers for Task and Motion Planning under
Partial Observability [50.38132214102161]
タスク・アンド・モーション・プランニング(TAMP)アプローチは、長距離自律ロボット操作の計画に有効である。
本稿では,これらの制約を深層生成モデルを用いて克服することを提案する。
古典的TAMP, 生成学習, 潜伏埋め込みの組み合わせが, 長期的制約に基づく推論にどのように役立つかを示す。
論文 参考訳(メタデータ) (2023-06-22T20:40:24Z) - Pave the Way to Grasp Anything: Transferring Foundation Models for
Universal Pick-Place Robots [50.73735524550534]
そこで本稿では,最先端基礎モデルによって生成された言語基底セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。
マスクから伝達される正確なセマンティクスとジオメトリを多視点ポリシーモデルに統合することにより、正確なオブジェクトのポーズを認識し、サンプル効率のよい学習を可能にする。
論文 参考訳(メタデータ) (2023-06-09T07:22:12Z) - A Survey on the Integration of Machine Learning with Sampling-based
Motion Planning [9.264471872135623]
本調査は、サンプリングベースモーションプランナー(SBMP)の計算効率と適用性を改善するための機械学習の取り組みを概観する。
まず、ノードサンプリング、衝突検出、距離または最も近い隣人、ローカルプランニング、終了条件など、SBMPのキーコンポーネントの強化に学習がどのように使われているかについて論じる。
また、機械学習を用いてロボットのデータ駆動モデルを提供し、それをSBMPで使用する方法についても論じている。
論文 参考訳(メタデータ) (2022-11-15T18:13:49Z) - Intelligent Trajectory Design for RIS-NOMA aided Multi-robot
Communications [59.34642007625687]
目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。
ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
論文 参考訳(メタデータ) (2022-05-03T17:14:47Z) - 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) - Learning Space Partitions for Path Planning [54.475949279050596]
PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。
これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
論文 参考訳(メタデータ) (2021-06-19T18:06:11Z) - Autonomous sPOMDP Environment Modeling With Partial Model Exploitation [0.0]
独自のサプライズに基づく部分観測可能なマルコフ決定過程(sPOMDP)を拡張した新しい状態空間探索アルゴリズムを提案する。
提案手法は,学習速度が31~63%向上した元のsPOMDP学習手法の効率性とスケーラビリティを著しく向上することを示す。
以上の結果から,SPOMDPソリューションをより広い環境に拡張する道を開いた。
論文 参考訳(メタデータ) (2020-12-22T17:48:32Z) - Learning Constrained Distributions of Robot Configurations with
Generative Adversarial Network [15.962033896896385]
高次元ロボットシステムでは、有効な構成空間の多様体はしばしば複素形状を持つ。
このような制約下で有効なロボット構成の分布を学習するための生成的敵ネットワークアプローチを提案する。
論文 参考訳(メタデータ) (2020-11-11T11:43:54Z) - Learning Sampling Distributions Using Local 3D Workspace Decompositions
for Motion Planning in High Dimensions [36.797567475027904]
3次元環境における複雑なマニピュレータに適用可能なサンプリングベース計画のための2つの経験ベースフレームワークを提案する。
本研究では,FetchロボットにおけるSPARKとFLAMEの有効性を示す。
論文 参考訳(メタデータ) (2020-10-29T03:19:13Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z)
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。