用于构型间扫掠体预测的深层神经网络
机器人学
2018-05-30 v1 机器学习
机器学习
摘要
扫掠体（SV）是物体沿轨迹运动时排开的体积，被视为一种对运动规划有用的度量。首先，SV已被用于识别轨迹上的碰撞，因为它直接度量物体运动所需空间量。其次，在基于采样的运动规划中，SV是一种理想的度量，因为它与在两个采样构型之间昂贵局部规划步骤的成功可能性相关。然而，在这两类应用中，传统SV算法计算开销过大，无法用于高效运动规划。在本工作中，我们训练深层神经网络（DNNs）来学习特定机器人几何形状的SV大小。针对两个机器人（一个6自由度（DOF）刚体和一个7 DOF固定基座机械臂）的结果表明，网络估计非常接近SV真实大小，且比最先进的SV估计算法快1500倍以上。
引用
@article{arxiv.1805.11597,
title = {Deep Neural Networks for Swept Volume Prediction Between Configurations},
author = {Hao-Tien Lewis Chiang and Aleksandra Faust and Lydia Tapia},
journal= {arXiv preprint arXiv:1805.11597},
year = {2018}
}