基于稀疏路图生成器的基于经验的规划
机器人学
2014-10-09 v1
摘要
我们提出了一个名为 Thunder 的基于经验的规划框架，该框架能够学习减少在变化环境中解决高维规划问题所需的计算时间。该方法特别适用于包含许多不变约束的大配置空间，例如全身人形机器人运动规划中发现的那些约束。经验通过概率采样生成，并存储在稀疏路图生成器（SPARS）中，后者提供配置空间的渐近近优覆盖，使得在存储、检索和修复过去经验方面在内存和时间上都非常高效。Thunder 框架通过将经验存储在图中而非单个路径中，消除了冗余信息，提供了更多的路径重用机会，并对经验图的大小提供了理论限制，从而改进了过去的基于经验的规划器。这些特性还导致了对动态变化环境的更好处理、对最优路径的推理以及查询解决时间的减少。该方法在具有 30 个自由度的类人机器人上进行了演示，并与 Lightning 框架（一种使用单个路径存储过去经验的基于经验的规划器）进行了比较。在具有可变障碍物和稳定性约束的环境中，实验表明 Thunder 的平均速度比 Lightning 和从头规划快一个数量级。与 Lightning 相比，Thunder 在 10,000 次试验后存储其经验所用的内存减少了 98.8%。我们的框架已在开放运动规划库（Open Motion Planning Library）中实现并免费提供。
引用
@article{arxiv.1410.1950,
title = {Experience-Based Planning with Sparse Roadmap Spanners},
author = {David Coleman and Ioan A. Sucan and Mark Moll and Kei Okada and Nikolaus Correll},
journal= {arXiv preprint arXiv:1410.1950},
year = {2014}
}
备注
Submitted to ICRA 2015