在降维状态空间中学习何时信任动力学模型以进行规划
机器人学
2020-04-03 v1
摘要
当系统的动力学难以建模和/或评估耗时（例如可变形物体操控任务）时，运动规划算法难以高效地找到可行规划。此类问题常被约简到动力学易于建模和评估的状态空间。然而，这种约简通常为计算效率而丢弃系统信息，导致真实动力学与约简动力学在某一动作结果上不一致。本文提出了一种在降维状态空间中规划的公式，其使用分类器使规划器偏离在真实动力学下不可靠可行的状态-动作对。我们提出了生成并标注数据以训练此类分类器的方法，以及我们的框架在绳索操控中的应用，其中我们使用真实动力学的虚拟弹性带（VEB）近似。我们的绳索操控实验表明，分类器在我们设计的、旨在使 VEB 在环境关键部分产生错误预测的若干困难场景中，显著提高了基于 RRT 的规划器的成功率。
引用
@article{arxiv.2001.11051,
title = {Learning When to Trust a Dynamics Model for Planning in Reduced State Spaces},
author = {Dale McConachie and Thomas Power and Peter Mitrano and Dmitry Berenson},
journal= {arXiv preprint arXiv:2001.11051},
year = {2020}
}
备注
Accepted to IEEE Robotics and Automation Letters with presentation at ICRA 2020. The attached video can be found at https://www.youtube.com/watch?v=2fRP4zrNj7M