去噪扩散规划器：从低质量演示中学习复杂路径
机器人学
2024-11-18 v2
摘要
去噪扩散概率模型(DDPM)是一种强大的生成式深度学习模型，近期在图像生成方面取得了很好的成果，最近也被用于路径规划和控制。在本文中，我们研究如何利用 DDPM 的泛化能力和条件采样能力为机器人末端执行器生成复杂路径。我们表明，用合成和低质量演示进行训练，足以生成到达任意目标并规避障碍的非平凡路径。此外，我们探讨了不同的条件采样策略，结合无分类器引导和分类器引导方法。最终，我们在重规划控制方案中部署 DDPM 以增强其规划能力。通过在 Franka Emika Panda 机器人上的各种实验，对去噪扩散规划器进行了实验验证。
引用
@article{arxiv.2410.21497,
title = {Denoising Diffusion Planner: Learning Complex Paths from Low-Quality Demonstrations},
author = {Michiel Nikken and Nicolò Botteghi and Wesley Roozing and Federico Califano},
journal= {arXiv preprint arXiv:2410.21497},
year = {2024}
}