运动策略网络
机器人学
2022-10-25 v1 人工智能
摘要
未知环境中的无碰撞运动生成是机器人操作的核心构建模块。由于多重目标，此类运动生成具有挑战性；解决方案不仅应最优，运动生成器本身必须足够快以用于实时性能，且足够可靠以用于实际部署。已提出从局部控制器到全局规划器的多种方法，常结合使用以弥补各自不足。我们提出一种端到端神经模型称为运动策略网络（MNets），仅从单一深度相机观测生成无碰撞平滑运动。MNets 在超过 500,000 个环境中的 300 多万个运动规划问题上训练。我们的实验表明，MNets 显著快于全局规划器，同时展现出处理动态场景所需的反应性。它们比先前的神经规划器好 46%，且比局部控制策略更鲁棒。尽管仅在仿真中训练，MNets 能很好地迁移到具有噪声部分点云的真实机器人。代码和数据公开于 https://mpinets.github.io。
引用
@article{arxiv.2210.12209,
title = {Motion Policy Networks},
author = {Adam Fishman and Adithyavairan Murali and Clemens Eppner and Bryan Peele and Byron Boots and Dieter Fox},
journal= {arXiv preprint arXiv:2210.12209},
year = {2022}
}
备注
To be published in the Conference on Robot Learning (CoRL) 2022. 10 pages with 4 figures. Appendix has 10 pages and 1 figure