DiffusionSeeder: 利用扩散模型为快速运动规划生成运动优化种子
机器人学
2024-10-23 v1
摘要
利用GPU计算在大量并行种子上运行优化，降低了对良好初始化的需求，但如果问题高度非凸，所有种子都可能陷入局部最优，则此方法可能失效。机器人操作中的无碰撞运动优化就是这样一个场景：优化在简单问题上收敛迅速，但在障碍物密集的环境（例如，杂乱的橱柜或桌子）中则难以进行。在这些情况下，会使用基于图的规划算法来获取种子，导致速度显著降低。我们提出DiffusionSeeder，一种基于扩散的方法，用于生成轨迹作为运动优化的种子，以实现快速的机器人运动规划。DiffusionSeeder接收场景的初始深度图像观测，生成高质量、多模态的轨迹，然后通过少量迭代的运动优化进行微调。我们将DiffusionSeeder集成到cuRobo（一种GPU加速的运动优化方法）中为其生成种子轨迹，结果平均加速12倍，对于更复杂的问题加速36倍，同时在部分观测的仿真环境中实现了10%更高的成功率。我们的结果展示了利用从学习到的扩散模型中获得的多样化解决方案的有效性。在Franka机器人上的物理实验证明了DiffusionSeeder从仿真到真实机器人的迁移，平均成功率为86%，规划时间为26毫秒，与cuRobo相比，成功率提高了51%，同时速度也快了2.5倍。
引用
@article{arxiv.2410.16727,
title = {DiffusionSeeder: Seeding Motion Optimization with Diffusion for Rapid Motion Planning},
author = {Huang Huang and Balakumar Sundaralingam and Arsalan Mousavian and Adithyavairavan Murali and Ken Goldberg and Dieter Fox},
journal= {arXiv preprint arXiv:2410.16727},
year = {2024}
}