論文の概要: A Unifying Variational Framework for Gaussian Process Motion Planning
- arxiv url: http://arxiv.org/abs/2309.00854v2
- Date: Fri, 8 Mar 2024 23:16:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 16:29:23.777710
- Title: A Unifying Variational Framework for Gaussian Process Motion Planning
- Title(参考訳): ガウス過程運動計画のための統一的変分フレームワーク
- Authors: Lucas Cosier, Rares Iordan, Sicelukwanda Zwane, Giovanni Franzese,
James T. Wilson, Marc Peter Deisenroth, Alexander Terenin, Yasemin Bekiroglu
- Abstract要約: 本稿では,変分ガウス過程に基づくロボット動作計画のためのフレームワークを提案する。
我々のフレームワークは、平等ベース、不平等ベース、ソフトモーションプランニング制約を組み込む、原則的で柔軟な方法を提供します。
その結果,提案手法は成功率とパス品質のバランスが良好であることが示唆された。
- 参考スコア(独自算出の注目度): 44.332875416815384
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To control how a robot moves, motion planning algorithms must compute paths
in high-dimensional state spaces while accounting for physical constraints
related to motors and joints, generating smooth and stable motions, avoiding
obstacles, and preventing collisions. A motion planning algorithm must
therefore balance competing demands, and should ideally incorporate uncertainty
to handle noise, model errors, and facilitate deployment in complex
environments. To address these issues, we introduce a framework for robot
motion planning based on variational Gaussian processes, which unifies and
generalizes various probabilistic-inference-based motion planning algorithms,
and connects them with optimization-based planners. Our framework provides a
principled and flexible way to incorporate equality-based, inequality-based,
and soft motion-planning constraints during end-to-end training, is
straightforward to implement, and provides both interval-based and
Monte-Carlo-based uncertainty estimates. We conduct experiments using different
environments and robots, comparing against baseline approaches based on the
feasibility of the planned paths, and obstacle avoidance quality. Results show
that our proposed approach yields a good balance between success rates and path
quality.
- Abstract(参考訳): ロボットの動きを制御するためには、運動計画アルゴリズムは、モータや関節に関する物理的制約を考慮しつつ、高次元の状態空間における経路を計算し、滑らかで安定した動きを生成し、障害物を避け、衝突を防ぐ必要がある。
したがって、動き計画アルゴリズムは、競合する要求のバランスをとる必要があり、ノイズの処理、モデルエラーの処理、複雑な環境への展開を容易にするために不確実性を取り入れることが理想的である。
これらの問題に対処するために,様々な確率推論に基づく動作計画アルゴリズムを統一・一般化する変分ガウス過程に基づくロボット動作計画フレームワークを導入し,最適化に基づくプランナと接続する。
我々のフレームワークは、エンドツーエンドのトレーニングにおいて、平等ベース、不平等ベース、ソフトモーションプランニング制約を取り入れ、実装が容易で、インターバルベースとモンテカルロベースの不確実性推定の両方を提供する。
異なる環境とロボットを用いて実験を行い,計画経路の実現可能性と障害物回避品質に基づくベースラインアプローチと比較した。
その結果,提案手法は成功率とパス品質のバランスが良好であることがわかった。
関連論文リスト
- Optimal task and motion planning and execution for human-robot
multi-agent systems in dynamic environments [54.39292848359306]
本稿では,タスクのシーケンシング,割り当て,実行を最適化するタスクと動作計画の組み合わせを提案する。
このフレームワークはタスクとアクションの分離に依存しており、アクションはシンボル的タスクの幾何学的実現の可能な1つの可能性である。
ロボットアームと人間の作業員がモザイクを組み立てる共同製造シナリオ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) (2023-03-27T01:50:45Z) - An Adaptive Fuzzy Reinforcement Learning Cooperative Approach for the
Autonomous Control of Flock Systems [4.961066282705832]
この研究は、群集システムの自律制御に適応的な分散ロバスト性技術を導入している。
比較的柔軟な構造は、様々な目的を同時に狙うオンラインファジィ強化学習スキームに基づいている。
動的障害に直面した場合のレジリエンスに加えて、アルゴリズムはフィードバック信号としてエージェントの位置以上のものを必要としない。
論文 参考訳(メタデータ) (2023-03-17T13:07:35Z) - Differentiable Constrained Imitation Learning for Robot Motion Planning
and Control [0.26999000177990923]
我々は,交通エージェントのシミュレーションだけでなく,ロボットの動作計画と制御を制約するフレームワークを開発した。
モバイルロボットと自動運転アプリケーションに焦点をあてる。
移動ロボットナビゲーションと自動走行のシミュレーション実験は,提案手法の性能を示す証拠となる。
論文 参考訳(メタデータ) (2022-10-21T08:19:45Z) - Hierarchical Policy Blending as Inference for Reactive Robot Control [34.25379651790627]
ぼんやりした、密集した、ダイナミックな環境における運動生成は、ロボット工学における中心的なトピックである。
反応ポリシーと計画の利点を組み合わせた階層的な動き生成手法を提案する。
平面ナビゲーションと6DoF操作の実験的研究により,提案手法は筋活動制御とオンライン再計画の両方に優れることが示された。
論文 参考訳(メタデータ) (2022-10-14T15:16:54Z) - 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) - Stability Constrained Mobile Manipulation Planning on Rough Terrain [7.766921168069532]
本論文では,移動マニピュレータロボットのオンライン動的安定性制約付き最適軌道計画を可能にするフレームワークを提案する。
その結果, 動的安定性制約を満たしながら, 様々な地形におけるオンライン軌道計画が可能となった。
論文 参考訳(メタデータ) (2021-05-10T14:21:59Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳(メタデータ) (2021-03-26T02:42:33Z) - Application-Driven Learning: A Closed-Loop Prediction and Optimization
Approach Applied to Dynamic Reserves and Demand Forecasting [62.997667081978825]
我々は、予測と意思決定のプロセスが統合され、協調最適化される新しいクローズドループフレームワークであるアプリケーション駆動学習を提案する。
提案手法は拡張性があり,標準のオープンループ手法よりも一貫して性能が向上することを示す。
論文 参考訳(メタデータ) (2021-02-26T02:43:28Z) - 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) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳(メタデータ) (2020-08-19T15:22:15Z)
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。