面向机器人运动规划与控制的可微约束模仿学习
机器人学
2023-08-29 v2 机器学习
摘要
运动规划与控制是自动驾驶等机器人应用的关键组成部分。其中，时空硬约束（如系统动力学与安全边界（例如障碍物））限制了机器人的运动。最优控制中的直接法求解一个约束优化问题。然而，在许多应用中，由于部分冲突目标的加权，寻找恰当的成本函数天然困难。另一方面，模仿学习（IL）方法如行为克隆（BC）提供了一种从离线演示中学习决策的直观框架，并构成了复杂机器人应用中规划与控制的 promising 途径。已有工作主要依赖软约束方法，其使用描述约束的额外辅助损失项。然而，在分布外（OOD）场景中可能发生灾难性安全关键故障。本工作将 IL 的灵活性与最优控制中的硬约束处理相集成。我们的方法构成了约束机器人运动规划与控制以及交通智能体仿真的通用框架，而我们聚焦于移动机器人与自动驾驶应用。硬约束通过显式补全与基于梯度的校正以可微方式整合进学习问题。移动机器人导航与自动驾驶的仿真实验为所提方法的性能提供了证据。
引用
@article{arxiv.2210.11796,
title = {Differentiable Constrained Imitation Learning for Robot Motion Planning and Control},
author = {Christopher Diehl and Janis Adamek and Martin Krüger and Frank Hoffmann and Torsten Bertram},
journal= {arXiv preprint arXiv:2210.11796},
year = {2023}
}
备注
International Conference on Intelligent Robots and Systems Agents4AD Workshop, IROS 2023