NTFields：用于物理信息机器人运动规划的神经时间场
机器人学
2023-03-02 v2 机器学习
摘要
神经运动规划器（NMPs）已成为在复杂环境中解决机器人导航任务的一种有前景的工具。然而，这些方法通常需要专家数据进行学习，这限制了它们在数据生成耗时场景中的应用。近期的发展也带来了能够表示复杂动力学偏微分方程（PDEs）的物理信息深度神经模型。受这些进展启发，我们提出神经时间场（NTFields）用于杂乱场景中的机器人运动规划。我们的框架表示一种波传播模型，生成连续到达时间，以求解由称为 Eikonal 方程的非线性一阶 PDE 所刻画的路径解。我们在包括 Gibson 数据集在内的多种杂乱 3D 环境中评估了该方法，并展示了其为 4-DOF 和 6-DOF 机器人机械臂求解运动规划问题的能力，而传统的基于网格的 Eikonal 规划器常面临维数灾难。此外，结果表明，我们的方法表现出高成功率，且计算时间显著低于最先进（SOTA）方法，包括需要从经典规划器获取训练数据的 NMPs。
引用
@article{arxiv.2210.00120,
title = {NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning},
author = {Ruiqi Ni and Ahmed H. Qureshi},
journal= {arXiv preprint arXiv:2210.00120},
year = {2023}
}