論文の概要: A GP-based Robust Motion Planning Framework for Agile Autonomous Robot Navigation and Recovery in Unknown Environments

• arxiv url: http://arxiv.org/abs/2402.01617v1
• Date: Fri, 2 Feb 2024 18:27:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 13:48:26.819495
• Title: A GP-based Robust Motion Planning Framework for Agile Autonomous Robot Navigation and Recovery in Unknown Environments
• Title（参考訳）: gpベースのロバスト動作計画フレームワークによる未知環境における自律型ロボットのナビゲーションとリカバリ
• Authors: Nicholas Mohammad, Jacob Higgins, Nicola Bezzo
• Abstract要約: 本稿では,将来の動作計画失敗のリスクを積極的に検出するモデルを提案する。 リスクが一定の閾値を超えると、回復動作がトリガーされる。 我々のフレームワークは、計画立案者の失敗を予測し、計画立案者の成功の可能性を示すためにロボットを回復できる。
• 参考スコア（独自算出の注目度）: 6.859965454961918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For autonomous mobile robots, uncertainties in the environment and system model can lead to failure in the motion planning pipeline, resulting in potential collisions. In order to achieve a high level of robust autonomy, these robots should be able to proactively predict and recover from such failures. To this end, we propose a Gaussian Process (GP) based model for proactively detecting the risk of future motion planning failure. When this risk exceeds a certain threshold, a recovery behavior is triggered that leverages the same GP model to find a safe state from which the robot may continue towards the goal. The proposed approach is trained in simulation only and can generalize to real world environments on different robotic platforms. Simulations and physical experiments demonstrate that our framework is capable of both predicting planner failures and recovering the robot to states where planner success is likely, all while producing agile motion.
• Abstract（参考訳）: 自律移動ロボットでは、環境やシステムモデルの不確実性が動作計画パイプラインの障害につながり、潜在的な衝突を引き起こす可能性がある。 高いレベルの堅牢な自律性を達成するために、これらのロボットは積極的にそのような失敗を予測し、回復することができるべきである。 そこで本研究では,将来の動作計画失敗のリスクを積極的に検出するガウスプロセス(GP)モデルを提案する。 このリスクが一定の閾値を超えると、同じgpモデルを利用してロボットが目標に向かって継続する安全な状態を見つけるリカバリ動作がトリガーされる。 提案手法はシミュレーションのみで訓練され,さまざまなロボットプラットフォーム上で現実環境に一般化することができる。 シミュレーションと物理実験により、我々のフレームワークは計画立案者の失敗を予測できると同時に、計画立案者の成功の可能性を示すためにロボットを回復できることを示した。

関連論文リスト

• Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics [70.93622520400385]
  本稿では,VLAに基づくロボットシステムのロバスト性を体系的に評価する。 本研究では,ロボット行動の不安定化に空間的基盤を活用する,標的のない位置認識型攻撃目標を提案する。 また、カメラの視野内に小さなカラフルなパッチを配置し、デジタル環境と物理環境の両方で効果的に攻撃を実行する逆パッチ生成アプローチを設計する。
  論文  参考訳（メタデータ） (2024-11-18T01:52:20Z)
• A Causal Bayesian Network and Probabilistic Programming Based Reasoning Framework for Robot Manipulation Under Uncertainty [4.087774077861305]
  本稿では,ロボットのための柔軟で汎用的な物理インフォームド型因果ベイズネットワーク(CBN)ベースのフレームワークを提案する。 1)高い精度で操作結果を予測する(Pred Acc: 88.6%)、(2)94.2%のタスク成功率でグリージーな次善行動選択を行う、というフレームワークの能力を示す。
  論文  参考訳（メタデータ） (2024-03-21T15:36:26Z)
• Learning Vision-based Pursuit-Evasion Robot Policies [54.52536214251999]
  我々は、部分的に観察可能なロボットの監督を生成する完全観測可能なロボットポリシーを開発する。 我々は、RGB-Dカメラを搭載した4足歩行ロボットに、野生での追従回避のインタラクションにポリシーを展開させる。
  論文  参考訳（メタデータ） (2023-08-30T17:59:05Z)
• Towards a Causal Probabilistic Framework for Prediction, Action-Selection & Explanations for Robot Block-Stacking Tasks [4.244706520140677]
  因果モデル(英: Causal model)は、ロボットの環境との相互作用を管理する因果関係の形式的知識を符号化する原則的な枠組みを提供する。 本研究では,物理シミュレーション機能を構造因果モデルに組み込むことで,ロボットがブロックスタッキングタスクの現況を認識・評価できる新しい因果確率的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-08-11T15:58:15Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• SHARP: Shielding-Aware Robust Planning for Safe and Efficient Human-Robot Interaction [5.804727815849655]
  シールド」制御スキームは、安全クリティカルなイベントが差し迫った場合に、ロボットの名目上の計画と安全フォールバック戦略をオーバーライドする。 本研究では,ロボットが将来の遮蔽イベントを明示的に考慮し,効率的に計画できる新しい遮蔽型計画手法を提案する。
  論文  参考訳（メタデータ） (2021-10-02T17:01:59Z)
• 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)
• Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic Platforms [60.59764170868101]
  強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。 私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。 我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
  論文  参考訳（メタデータ） (2021-03-05T14:16:20Z)
• Fast-reactive probabilistic motion planning for high-dimensional robots [15.082715993594121]
  p-Chekovは、プロセスノイズや観察ノイズに苦しむ高次元ロボットに安全保証を提供する高速反応型モーションプランニングシステムである。 包括的理論的および経験的分析により、p-チェコフは、実用的なロボット操作タスクにおける衝突リスクに対するユーザ特定確率制約を効果的に満たせることが示された。
  論文  参考訳（メタデータ） (2020-12-03T17:51:07Z)
• Reactive motion planning with probabilistic safety guarantees [27.91467018272684]
  本稿では,複数の非制御エージェントを用いた環境における動作計画の問題点について考察する。 制御されていないエージェントの予測モデルは、シナリオに基づいて短い地平線内で全ての可能な軌道を予測するために訓練される。 提案手法は,自動運転を模擬したシナリオにおいてシミュレーションで実証される。
  論文  参考訳（メタデータ） (2020-11-06T20:37:15Z)

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。