面向物理信息神经运动规划的渐进式学习
机器人学
2023-06-02 v1 机器学习
摘要
运动规划（MP）是机器人学的核心问题之一，需要快速方法以找到连接给定起始与目标的免碰撞机器人运动路径。神经运动规划器（NMP）在寻找路径解时展现出快速的计算速度，但需要大量专家轨迹用于学习，从而显著增加训练计算负担。相比之下，近期进展也带来了一种物理信息 NMP 方法，它直接求解 Eikonal 方程进行运动规划，且不需要专家示范进行学习。然而，实验表明物理信息 NMP 方法在复杂环境中表现不佳，且在多场景和高维真实机器人设置中缺乏可扩展性。为克服这些局限，本文提出一种新颖且易处理的 Eikonal 方程公式，并引入一种新的渐进式学习策略，以在无专家数据的复杂、杂乱、多高维机器人运动规划场景中训练神经网络。结果表明，我们的方法在计算规划速度、路径质量和成功率方面显著优于最先进的传统 MP、数据驱动 NMP 和物理信息 NMP 方法。我们还展示了我们的方法可扩展至多个复杂、杂乱场景以及狭窄通道环境中的真实机器人设置。所提方法的视频与代码实现见 https://github.com/ruiqini/P-NTFields。
引用
@article{arxiv.2306.00616,
title = {Progressive Learning for Physics-informed Neural Motion Planning},
author = {Ruiqi Ni and Ahmed H. Qureshi},
journal= {arXiv preprint arXiv:2306.00616},
year = {2023}
}
备注
Accepted to Robotics: Science and Systems (RSS) 2023