通过高维构型空间的图像表示学习增强路径规划性能
机器人学
2025-01-14 v1 人工智能
摘要
本文提出了一种在具有障碍物的未知场景中加速路径规划任务的新方法，该方法利用带梯度惩罚的 Wasserstein 生成对抗网络（WGAN-GP），通过快速探索随机树算法来近似无碰撞路径的航点分布。我们的方法涉及在连续潜在空间中通过前向扩散过程对 WGAN-GP 进行条件化，以有效处理多模态数据集。我们还提出将无碰撞路径的航点编码为矩阵，其中航点的多维顺序被自然保留。该方法不仅改善了模型学习，还增强了训练收敛性。此外，我们提出了一种方法来评估训练好的模型是否未能准确捕获真实航点。在这种情况下，我们回退到均匀采样以确保算法的概率完备性；这个过程在其他基于机器学习的方法中传统上涉及为每个场景手动确定最佳比例。我们的实验展示了在关键时间约束下加速路径规划任务的有希望结果。源代码开源于 https://bitbucket.org/joro3001/imagewgangpplanning/src/master/。
引用
@article{arxiv.2501.06639,
title = {Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces},
author = {Jorge Ocampo Jimenez and Wael Suleiman},
journal= {arXiv preprint arXiv:2501.06639},
year = {2025}
}