基于近似推断的通过学习与利用低维潜变量模型的运动规划
机器人学
2018-08-02 v2 人工智能
摘要
本工作提出一个高效框架，用于生成具有高自由度（例如人形机器人）的机器人的运动规划。机器人构型空间的高维性常导致广泛使用的运动规划算法难以应用，因为决策空间的体积随维数呈指数增长。为处理由大决策空间引起的复杂性并高效求解相应的运动规划问题，本工作采用两个关键概念：第一，利用高斯过程潜变量模型（GP-LVM）对原始构型空间进行低维表示；第二，使用一种近似推断算法，借助控制与估计之间的对偶性，探索决策空间并计算机器人的高质量运动轨迹。利用 GP-LVM 与控制-估计对偶性，我们构建了一个完全概率生成模型，将高维运动规划问题转化为可处理的推断问题。最后，我们通过基于粒子滤波器变体的近似推断算法计算运动轨迹。所得运动可在补充视频中查看。（https://youtu.be/kngEaOR4Esc）
引用
@article{arxiv.1711.08275,
title = {Approximate Inference-based Motion Planning by Learning and Exploiting Low-Dimensional Latent Variable Models},
author = {Jung-Su Ha and Hyeok-Joo Chae and Han-Lim Choi},
journal= {arXiv preprint arXiv:1711.08275},
year = {2018}
}
备注
Accepted for publication in IEEE Robotics and Automation Letters (RA-L), 2018