論文の概要: Neural Potential Field for Obstacle-Aware Local Motion Planning

• arxiv url: http://arxiv.org/abs/2310.16362v1
• Date: Wed, 25 Oct 2023 05:00:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 16:48:11.839106
• Title: Neural Potential Field for Obstacle-Aware Local Motion Planning
• Title（参考訳）: 障害物対応局所運動計画のための神経電位場
• Authors: Muhammad Alhaddad, Konstantin Mironov, Aleksey Staroverov, Aleksandr Panov
• Abstract要約: 本稿では,ロボットのポーズ,障害物マップ,ロボットのフットプリントに基づいて,異なる衝突コストを返却するニューラルネットワークモデルを提案する。 私たちのアーキテクチャには、障害物マップとロボットフットプリントを埋め込みに変換するニューラルイメージエンコーダが含まれています。 Husky UGVモバイルロボットの実験は、我々のアプローチがリアルタイムで安全なローカルプランニングを可能にすることを示した。
• 参考スコア（独自算出の注目度）: 46.42871544295734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Model predictive control (MPC) may provide local motion planning for mobile robotic platforms. The challenging aspect is the analytic representation of collision cost for the case when both the obstacle map and robot footprint are arbitrary. We propose a Neural Potential Field: a neural network model that returns a differentiable collision cost based on robot pose, obstacle map, and robot footprint. The differentiability of our model allows its usage within the MPC solver. It is computationally hard to solve problems with a very high number of parameters. Therefore, our architecture includes neural image encoders, which transform obstacle maps and robot footprints into embeddings, which reduce problem dimensionality by two orders of magnitude. The reference data for network training are generated based on algorithmic calculation of a signed distance function. Comparative experiments showed that the proposed approach is comparable with existing local planners: it provides trajectories with outperforming smoothness, comparable path length, and safe distance from obstacles. Experiment on Husky UGV mobile robot showed that our approach allows real-time and safe local planning. The code for our approach is presented at https://github.com/cog-isa/NPField together with demo video.
• Abstract（参考訳）: モデル予測制御(mpc)は、移動ロボットプラットフォームに局所的な動作計画を提供する。 難易度は、障害物マップとロボットフットプリントの両方が任意である場合の衝突コストの解析的表現である。 本研究では,ロボットのポーズや障害物マップ,ロボットの足跡などに基づいて,識別可能な衝突コストを返すニューラルネットワークモデルを提案する。 このモデルの微分性はmpcソルバ内での利用を可能にする。 非常に多くのパラメータで問題を解くのは非常に困難である。 そこで我々は,障害物マップとロボットの足跡を組込みに変換するニューラルイメージエンコーダを用いて,問題次元を2桁削減した。 符号付き距離関数のアルゴリズム計算に基づいて、ネットワークトレーニングのための基準データを生成する。 比較実験により、提案手法は既存の局所プランナーに匹敵するものであり、よりスムーズで、経路長に匹敵し、障害物から安全な距離を持つ軌道を提供する。 Husky UGVモバイルロボットの実験は、我々のアプローチがリアルタイムで安全なローカルプランニングを可能にすることを示した。 このアプローチのコードは、デモビデオとともにhttps://github.com/cog-isa/NPFieldで公開されています。

関連論文リスト

• Watch Your STEPP: Semantic Traversability Estimation using Pose Projected Features [4.392942391043664]
  人間の歩行のデモンストレーションから学ぶことにより,地形の移動性を評価する手法を提案する。 提案手法は,DINOv2視覚変換器モデルを用いて生成した高密度画素ワイドな特徴埋め込みを利用する。 損失を最小化することにより、ネットワークは、低い復元誤差で見慣れた地形と、高い復元誤差で見慣れないまたは危険な地形とを区別する。
  論文  参考訳（メタデータ） (2025-01-29T11:53:58Z)
• NeuPAN: Direct Point Robot Navigation with End-to-End Model-based Learning [67.53972459080437]
  乱雑で未知の環境で非ホロノミックロボットをナビゲートするには、リアルタイム衝突回避のための正確な認識と正確な動きが必要である。 本稿では, リアルタイム, 高精度, 地図のない, 展開が容易で, 環境によらないロボットモーションプランナであるNeuPANについて述べる。
  論文  参考訳（メタデータ） (2024-03-11T15:44:38Z)
• 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)
• 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)
• Large Scale Distributed Collaborative Unlabeled Motion Planning with Graph Policy Gradients [122.85280150421175]
  本研究では,運動制約と空間制約を多数のロボットに対して2次元空間で解くための学習法を提案する。 ロボットのポリシーをパラメータ化するためにグラフニューラルネットワーク(GNN)を用いる。
  論文  参考訳（メタデータ） (2021-02-11T21:57:43Z)
• Domain Adaptation for Outdoor Robot Traversability Estimation from RGB data with Safety-Preserving Loss [12.697106921197701]
  本稿では,車載RGBカメラの視野内で異なる経路のトラバーススコアを推定し,予測する深層学習に基づくアプローチを提案する。 次に、勾配反転非教師付き適応によるドメインシフトに対処することで、モデルの能力を向上する。 実験結果から,本手法は移動可能領域を良好に同定し,目に見えない場所に一般化できることが示唆された。
  論文  参考訳（メタデータ） (2020-09-16T09:19:33Z)
• 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。