DAMON：基于拓扑流形学习与变分自编码的动态非晶障碍导航
机器人学
2023-03-29 v3
摘要
DAMON 利用流形学习与变分自编码实现避障，通过在预学习的低维分层结构流形图中进行自适应图遍历来完成运动规划，该流形图刻画了机械臂与其障碍物之间复杂的运动动力学。这种通用且可复用的方法适用于多种协作场景。DAMON 的主要优势在于其将信息嵌入低维图中，从而消除了当前基于采样的方法所需的重复计算。因此，它以显著更低的计算开销与内存占用提供了更快、更高效的运动规划。总之，DAMON 是一种突破性方法，解决了机器人系统中动态避障的挑战，并为安全高效的人机协作提供了有前景的方案。我们的方法已在 7-DoF 机械臂上于仿真与实物环境中进行了实验验证。DAMON 使机器人能够学习并生成规避前所未见障碍物的技能，同时达成预设目标。我们还利用解析框架优化了 DAMON 的设计参数与性能。我们的方法在平均意义上以轨迹平滑度提升 40%、延迟性能提升超 65% 的表现优于主流方法，包括 RRT、RRT*、Dynamic RRT*、L2RRT 与 MpNet。
引用
@article{arxiv.2203.13282,
title = {DAMON: Dynamic Amorphous Obstacle Navigation using Topological Manifold Learning and Variational Autoencoding},
author = {Apan Dastider and Mingjie Lin},
journal= {arXiv preprint arXiv:2203.13282},
year = {2023}
}
备注
Recently submitted to IROS 2023