路径规划中动态障碍物场景下学习自适应运动基元的策略优化方法
机器人学
2023-01-02 v1
摘要
本文研究了非完整机器人在包含静态与动态障碍物的动态环境中的运动动力学（kinodynamic）运动规划问题——这是一个尚缺乏通用解的难题。解决该问题的一个有前景的方法是将问题分解为较小的子问题，并将局部解组合为全局解。任何非完整机器人规划方法的关键都在于生成能求解局部规划子问题的运动基元。在本工作中，我们引入了一种新颖的可学习转向函数（策略），其考虑了机器人的运动动力学约束以及静态和动态障碍物。该策略通过策略优化得到了高效训练。我们通过实验表明，我们的转向函数对未见过的问题具有良好的泛化能力。随后，我们将训练好的策略嵌入基于采样和基于栅格的规划器中，并在一系列具有挑战性的设置中评估所得到的POLAMP算法（Policy Optimization that Learns Adaptive Motion Primitives，学习自适应运动基元的策略优化），这些设置涉及类车机器人在障碍物密集的停车场环境中运行。我们表明，当环境中存在50个同时移动的障碍物时，POLAMP能够以高于92%的成功率规划出无碰撞的运动动力学轨迹，表现出优于最先进（SOTA）竞争方法的性能。
引用
@article{arxiv.2212.14307,
title = {Policy Optimization to Learn Adaptive Motion Primitives in Path Planning with Dynamic Obstacles},
author = {Brian Angulo and Aleksandr Panov and Konstantin Yakovlev},
journal= {arXiv preprint arXiv:2212.14307},
year = {2023}
}
备注
8 pages, 10 figures