LTLDoG：满足具有时延扩展的符号约束的扩散基规划
机器人学
2024-10-01 v2 机器学习
摘要
在复杂环境中有效地运行且遵守指定约束，对于安全地部署围绕人员并与之交互的操作机器人至关重要。本文聚焦于生成遵循 novel 静态和时延扩展约束/指令的长期程 trajectory。我们提出一种数据驱动的扩散框架 LTLDoG，通过修改给定以有限线性时序逻辑 () 指定的指令的推断步骤来实现。LTLDoG 利用 的满足值函数，并通过其梯度场指导采样步骤。该值函数还可训练以泛化到训练期未观察到的新指令，从而实现灵活的测试时适应性。机器人导航和操纵实验表明，该方法能够生成满足障碍规避和访问序列指令的 trajectory。代码和补充材料已在 https://github.com/clear-nus/ltldog 上提供。
引用
@article{arxiv.2405.04235,
title = {LTLDoG: Satisfying Temporally-Extended Symbolic Constraints for Safe Diffusion-based Planning},
author = {Zeyu Feng and Hao Luan and Pranav Goyal and Harold Soh},
journal= {arXiv preprint arXiv:2405.04235},
year = {2024}
}