基于图神经网络的神经引导规划器运行时预测以改进运动与任务规划
机器人学
2022-08-01 v1
摘要
过去十年已充分展示了通过学习复杂输入/输出关系所能实现的卓越功能。在算法层面，最重要且最不透明的关系之一是问题的结构与其有效求解方法之间的关系。在此，我们定量地将规划问题的结构与给定基于采样的运动规划（SBMP）算法的性能联系起来。我们证明运动规划问题的几何关系可由图神经网络（GNNs）很好地捕捉，以预测SBMP运行时。通过使用算法组合，我们展示了在特定问题上GNN对运行时的预测可用于加速导航与操作任务中的在线运动规划。此外，问题到运行时的映射可被反转，以识别更易由特定SBMP求解的子问题。我们提供了一个启发性的示例，说明该知识如何用于改进模拟示例上的集成任务与运动规划。这些成功依赖于GNN的关系结构，以捕捉从低维导航任务到三维环境中高自由度操作任务的可扩展泛化能力。
引用
@article{arxiv.2207.14422,
title = {Neural-Guided RuntimePrediction of Planners for Improved Motion and Task Planning with Graph Neural Networks},
author = {Simon Odense and Kamal Gupta and William G. Macready},
journal= {arXiv preprint arXiv:2207.14422},
year = {2022}
}
备注
8 pages; To appear in proceedings of 2022 IROS, Kyoto Japan