基于批量化刚体仿真的并行蒙特卡洛树搜索以加速长视野 episodic 机器人规划
机器人学
2022-07-15 v1
摘要
我们提出一种新颖的带批量化仿真的并行蒙特卡洛树搜索（PMBS）算法，用于加速长视野、episodic 机器人规划任务。蒙特卡洛树搜索（MCTS）是一种有效的启发式搜索算法，用于求解底层搜索空间庞大的 episodic 决策问题。利用基于 GPU 的大规模仿真器，PMBS 将大量并行性引入 MCTS，通过批量执行大量并发仿真来求解规划任务，从而能在大型动作空间上更高效且准确地评估期望代价到目标。当应用于具有挑战性的从杂乱环境中抓取物体的操作任务时，与串行 MCTS 实现相比，PMBS 实现了超过 的加速且解质量更优。我们表明 PMBS 可直接应用于真实机器人硬件，且 sim-to-real 差异可忽略。补充材料（含视频）见 https://github.com/arc-l/pmbs。
引用
@article{arxiv.2207.06649,
title = {Parallel Monte Carlo Tree Search with Batched Rigid-body Simulations for Speeding up Long-Horizon Episodic Robot Planning},
author = {Baichuan Huang and Abdeslam Boularias and Jingjin Yu},
journal= {arXiv preprint arXiv:2207.06649},
year = {2022}
}
备注
Accepted for IROS 2022