快速端到端生成信念空间路径的最小感知导航
机器人学
2024-09-20 v1 机器学习
摘要
我们重访高斯信念空间中的运动规划问题。由于该问题的高维本质导致大多数现有基于抽样的规划器计算成本高，本文提出一种利用深度学习模型从问题描述直接预测最优路径候选的方法。我们的方法包含三个步骤：首先，准备由大量输入输出对组成的训练数据集，其中输入图像编码待解决的问题（例如起始状态、目标状态和障碍位置），而输出图像编码解决方案（即最短路径的真实值）。可以采用任何现有的规划器生成此训练数据集。接着，我们利用U-Net架构学习输入与输出数据之间的依赖关系。最后，将训练好的U-Net模型应用于以输入图像编码的新问题。从U-Net的输出图像（被解释为路径分布），重构出最优路径候选。该方法显著降低了与基于抽样的基线算法相比较的计算时间。
引用
@article{arxiv.2409.12902,
title = {Fast End-to-End Generation of Belief Space Paths for Minimum Sensing Navigation},
author = {Lukas Taus and Vrushabh Zinage and Takashi Tanaka and Richard Tsai},
journal= {arXiv preprint arXiv:2409.12902},
year = {2024}
}