基于GPU上多目标搜索的感知感知运动规划
机器人学
2017-12-08 v3
摘要
在本文中，我们描述了一个通过感知感知运动规划问题来计算良好定位、鲁棒运动规划的框架，其中我们寻求在感知定位质量单独约束下的低成本运动规划。为解决这个问题，我们引入了多目标感知感知规划（MPAP）算法，该算法通过多目标搜索探索状态空间，同时考虑代价和感知启发式。该框架可容纳大量启发式方法，允许那些捕获定位漂移的历史依赖性并表示复杂现代感知方法的方法。我们提出了两种这样的启发式方法，一种源自机器人感知的简化模型，第二种从真实传感器误差中学习，我们展示其能够预测最先进感知系统的性能。然后基于启发式搜索的解轨迹通过Monte Carlo方法被认证为良好定位且鲁棒。感知感知规划的额外计算负担被GPU大规模并行化抵消。通过数值实验表明，该算法在约一秒内找到良好定位、鲁棒的求解。最后，我们在四旋翼上使用Google Tango进行定位，演示了MPAP执行感知感知和感知无关规划，发现四旋翼每次都安全执行感知感知规划，而在超过20%的感知无关运行中因失去定位而坠毁。
引用
@article{arxiv.1705.02408,
title = {Perception-Aware Motion Planning via Multiobjective Search on GPUs},
author = {Brian Ichter and Benoit Landry and Edward Schmerling and Marco Pavone},
journal= {arXiv preprint arXiv:1705.02408},
year = {2017}
}