基于自适应高斯过程随机轨迹优化的运动规划
机器人学
2022-01-03 v1 最优化与控制
摘要
我们提出一种用于危险环境中机器人运行的最优运动规划 (OMP) 算法的新形式，称为基于自适应高斯过程的随机轨迹优化 (AGP-STO)。它首先利用重新估计的 Lipschitz 常数 (L-reAGD) 重启加速梯度下降以提高计算效率，仅需一阶动量。然而，在由高斯过程 (GP) 与障碍物的先验信息所告知的非凸问题中，它仍无法推断出全局最优。因此它随后在 L-重估计过程中集成自适应随机轨迹优化 (ASTO)，通过学习由重要样本经加速移动平均 (AMA) 奖励的 GP 先验。此外，我们引入增量最优运动规划 (iOMP) 将 AGP-STO 升级为 iAGP-STO。它在先前优化的路径点之间增量插值轨迹以确保时间连续安全。最后，我们将 iAGP-STO 与数值方法 (CHOMP、TrajOpt、GPMP) 和采样方法 (STOMP、RRT-Connect) 进行基准对比，并开展关键参数调优实验以展示 L-reAGD、ASTO 和 iOMP 的集成如何提升计算效率与可靠性。此外，iAGP-STO 在 LBR-iiwa、多 AGV 和 rethink-Baxter 上的实现展示了其在操控、协作与辅助中的应用。
引用
@article{arxiv.2112.14953,
title = {Adaptive Gaussian Process based Stochastic Trajectory Optimization for Motion Planning},
author = {Feng Yichang and Zhang Haiyun and Wang Jin and Lu Guodong},
journal= {arXiv preprint arXiv:2112.14953},
year = {2022}
}