N$^2$M$^2$：在未见动态环境中学习任意移动操作运动的导航
机器人学
2023-06-30 v2 人工智能
摘要
尽管移动操作在工业和服务机器人领域都很重要，但它仍然是一个重大挑战，因为它需要将末端执行器轨迹生成与导航技能无缝集成，并具备长时域推理能力。现有方法难以控制大型配置空间，也难以在动态和未知环境中导航。在先前的工作中，我们提出将移动操作任务分解为任务空间中末端执行器的简化运动生成器，以及用于移动底座的训练有素的强化学习智能体，以考虑运动的运动学可行性。在这项工作中，我们引入了面向移动操作的神经导航 (NM)，它将这种分解扩展到复杂的障碍物环境，并使其能够处理现实世界环境中的广泛任务。由此产生的方法可以在未探索的环境中执行未见过的长时域任务，同时即时对动态障碍物和环境变化做出反应。同时，它提供了一种定义新移动操作任务的简单方法。我们在广泛的仿真和真实世界实验中，在多个运动学上多样化的移动操作平台上展示了所提方法的能力。代码和视频可在 http://mobile-rl.cs.uni-freiburg.de 公开获取。
引用
@article{arxiv.2206.08737,
title = {N$^2$M$^2$: Learning Navigation for Arbitrary Mobile Manipulation Motions in Unseen and Dynamic Environments},
author = {Daniel Honerkamp and Tim Welschehold and Abhinav Valada},
journal= {arXiv preprint arXiv:2206.08737},
year = {2023}
}
备注
Project website: http://mobile-rl.cs.uni-freiburg.de; Accepted at T-RO