学习生成代价函数以实现高效运动规划
机器人学
2020-10-29 v1
摘要
传统运动规划对于实际机器人而言计算负担沉重，涉及大量的碰撞检测和相当大的代价值迭代传播。我们提出了一种新颖的神经网络架构，能够针对给定的位形空间和目标位形直接生成代价函数。该网络的输出是一个连续函数，其在位形空间中的梯度可直接用于在运动规划中生成轨迹，而无需冗长的迭代或大量的碰撞检测。这种高阶函数（即生成另一个函数的函数）表示是我们运动规划架构 c2g-HOF 的核心，它可以将工作空间作为输入，并在位形空间图 上生成代价函数。2D 和 3D 环境的仿真结果表明，c2g-HOF 在执行时间上比在执行期间探索位形空间的方法快数个数量级。我们还提出了 c2g-HOF 的一种实现，可直接从工作空间的俯视图像为机器人机械臂生成轨迹。
引用
@article{arxiv.2010.14597,
title = {Learning to Generate Cost-to-Go Functions for Efficient Motion Planning},
author = {Jinwook Huh and Galen Xing and Ziyun Wang and Volkan Isler and Daniel D. Lee},
journal= {arXiv preprint arXiv:2010.14597},
year = {2020}
}