用于高维运动规划的代价到达函数生成网络
机器人学
2020-12-14 v1 人工智能
机器学习
摘要
本文提出c2g-HOF网络，其学习为操纵器运动规划生成代价到达（cost-to-go）函数。c2g-HOF架构由一个表示为神经网络（c2g网络）的构型空间代价到达函数，以及一个针对给定输入工作空间输出c2g网络权重的高阶函数（HOF）网络组成。两个网络均以监督方式端到端训练，使用传统运动规划器计算出的代价。训练完成后，c2g-HOF可直接从工作空间传感器输入（表示为3D点云或2D图像）生成平滑且连续的代价到达函数。在推理时，c2g网络的权重计算非常高效，仅需沿代价到达函数梯度方向即可生成近最优轨迹。我们将c2g-HOF与多种机器人和规划场景下的传统规划算法进行比较。实验结果表明，使用c2g-HOF进行规划比其他运动规划算法显著更快，在包含碰撞检测时实现了数量级的提升。此外，尽管仅从构型空间中稀疏采样的轨迹训练，c2g-HOF仍能泛化生成更平滑且通常代价更低的轨迹。我们在7自由度操纵器臂上展示了基于代价到达的规划，在复杂工作空间中的运动规划仅需0.13秒即可完成整条轨迹。
引用
@article{arxiv.2012.06023,
title = {Cost-to-Go Function Generating Networks for High Dimensional Motion Planning},
author = {Jinwook Huh and Volkan Isler and Daniel D. Lee},
journal= {arXiv preprint arXiv:2012.06023},
year = {2020}
}