基于内省学习与推理增强晶格运动规划
机器人学
2021-12-07 v2 人工智能
机器学习
系统与控制
系统与控制
机器学习
摘要
基于晶格的运动规划是一种混合规划方法，其中由离散动作组成的规划同时是一条物理可行的轨迹。该规划同时考虑离散与连续两方面，例如配置空间中动作的前置条件与无碰撞的动作持续时间。安全的运动规划依赖于经过良好标定的用于碰撞检测的安全边界。轨迹跟踪控制器必须能够在该安全边界内可靠地执行运动，才能使执行过程安全。本工作中我们关注于对控制器性能随时间变化的内省学习与推理。不同动作的正常控制器执行过程使用可靠且具不确定性感知的机器学习技术进行学习。通过纠正执行偏差，我们成功大幅缩减了运动动作的安全边界。推理被用于验证所学模型保持安全，并通过使用具有更小安全边界的更精确执行预测来提升运动规划器中碰撞检测的有效性。所提方法能够对正常情况下控制器性能有明确认知，并在异常情况下及时检测不正确性能。评估在三维四旋翼的非线性动力学仿真上进行。视频：https://youtu.be/STmZduvSUMM
引用
@article{arxiv.2005.07385,
title = {Enhancing Lattice-based Motion Planning with Introspective Learning and Reasoning},
author = {Mattias Tiger and David Bergström and Andreas Norrstig and Fredrik Heintz},
journal= {arXiv preprint arXiv:2005.07385},
year = {2021}
}