可微分高斯过程运动规划
机器人学
2020-03-12 v2
摘要
现代基于轨迹优化的运动规划方法快速、易于实现，并在广泛的机器人任务上有效。然而，轨迹优化算法的参数通常预先设定（且很少被详细讨论）。恰当设置这些参数会对算法的实际性能产生显著影响，有时甚至决定能否找到可行规划或彻底任务失败。我们提出一种利用过往经验来学习如何自动调整高斯过程运动规划（GPMP）算法参数的方法。具体而言，我们提出 GPMP2 算法的可微分扩展，使其能够从数据端到端训练。我们进行了若干实验来验证我们的算法，并阐明所提出的基于学习的运动规划方法的优势。
引用
@article{arxiv.1907.09591,
title = {Differentiable Gaussian Process Motion Planning},
author = {Mohak Bhardwaj and Byron Boots and Mustafa Mukadam},
journal= {arXiv preprint arXiv:1907.09591},
year = {2020}
}
备注
7 pages, Proceedings of the IEEE Conference on Robotics and Automation (ICRA), 2020