基于 Stein 变分牛顿推断的约束型高斯过程运动规划
机器人学
2025-04-08 v1 机器学习
摘要
高斯过程运动规划 (GPMP) 是许多机器人应用中用于生成平滑轨迹的广泛使用框架，具有有限的计算时间这一至关重要要求。然而，传统的 GPMP 方法在处理硬性非线性约束方面常常吃力，依赖最大后验 (MAP) 解，忽略了完整的贝叶斯后验分布。这限制了规划的多样性，最终阻碍了决策。近期将 Stein 变分梯度下降 (SVGD) 集成到运动规划中的努力在处理复杂约束方面显示出前景。然而，这些方法仍面临诸多挑战，如难以严格执行约束以及在概率推断问题条件不佳时效率低下的问题。为此，本文提出一种新型的受约束 Stein 变分高斯过程运动规划 (cSGPMP) 框架，引入专为硬约束轨迹优化设计的 GPMP 先验。我们的方法在粒子基于推断中提高了效率，同时显式处理非线性约束。该方法显著扩展了 GPMP 在需要稳健贝叶斯推断、严格约束遵循和有限时间内计算效率方面的适用性。我们在标准基准测试中验证了该方法，在 350 个规划任务中实现了平均 98.57% 的成功率，显著优于竞争基线。这表明该方法能够发现并利用多样化的轨迹模式，增强了在复杂环境中的灵活性和适应性，且无需额外的计算成本即可显著优于标准基线。
关键词
引用
@article{arxiv.2504.04936,
title = {Constrained Gaussian Process Motion Planning via Stein Variational Newton Inference},
author = {Jiayun Li and Kay Pompetzki and An Thai Le and Haolei Tong and Jan Peters and Georgia Chalvatzaki},
journal= {arXiv preprint arXiv:2504.04936},
year = {2025}
}