LEGO：在基于采样的规划中利用经验生成路线图
机器人学
2019-07-24 v1
摘要
我们考虑在基于采样的运动规划中利用先验经验生成路线图的问题。理想的路线图是稀疏的，允许快速搜索，且节点分布在关键位置，从而存在低代价可行路径。一种日益流行的方法是学习能够生成此类路线图的节点分布。当前最优方法是用最短路径作为目标输入，在先验数据集上训练条件变分自编码器 (CVAE)。尽管这在许多问题上相当有效，我们表明其在面对复杂障碍物配置或训练与测试不匹配时可能失败。我们提出一种名为 LEGO 的算法，通过使用满足两个重要准则的目标样本训练 CVAE 来解决这些问题。首先，这些样本仅属于近最优路径上难以用均匀采样器采样的瓶颈区域。其次，这些样本分散在多样化区域以最大化存在可行路径的可能性。我们形式化定义了这些性质并证明了 LEGO 的性能保证。我们在包括机械臂规划在内的一系列规划问题上广泛评估了 LEGO，并报告了相对于启发式方法以及学习型基线的显著增益。
引用
@article{arxiv.1907.09574,
title = {LEGO: Leveraging Experience in Roadmap Generation for Sampling-Based Planning},
author = {Rahul Kumar and Aditya Mandalika and Sanjiban Choudhury and Siddhartha S. Srinivasa},
journal= {arXiv preprint arXiv:1907.09574},
year = {2019}
}
备注
Accepted at International Conference on Intelligent Robots and Systems (IROS) 2019