L4KDE：面向运动动力学树扩展的学习方法
机器人学
2023-09-19 v2 机器学习
摘要
我们提出了面向运动动力学规划的学习型运动动力学树扩展 (L4KDE) 方法。基于树的规划方法，如快速探索随机树 (RRT)，是在连续状态空间运动规划中寻找全局最优路径的主导方法。这些方法的核心是树扩展，即将新节点添加到不断扩展的树中的过程。我们研究了基于树的规划的运动动力学变体，其中已知系统动力学和运动学约束。为了快速选择节点以连接新采样的坐标，现有方法通常无法优化以找到能以低成本过渡到采样坐标的节点。相反，它们使用坐标间的欧几里得距离等度量作为启发式方法，来选择要连接到搜索树的候选节点。我们提出 L4KDE 来解决这个问题。L4KDE 使用神经网络预测查询状态之间的转移成本，该网络可以高效地进行批量计算，提供比常用启发式方法质量高得多的转移成本估计，同时保持几乎必然的渐近最优性保证。我们通过实验证明了 L4KDE 在各种具有挑战性的系统动力学上带来的显著性能提升，它能够泛化到同一模型类的不同实例，并与一系列现代基于树的运动规划器协同工作。
引用
@article{arxiv.2203.00975,
title = {L4KDE: Learning for KinoDynamic Tree Expansion},
author = {Tin Lai and Weiming Zhi and Tucker Hermans and Fabio Ramos},
journal= {arXiv preprint arXiv:2203.00975},
year = {2023}
}