SGD用于机器人运动？随机优化在双足运动任务新基准上的有效性
机器人学
2017-10-10 v1 机器学习
最优化与控制
摘要
轨迹优化与姿态生成是机器人运动中的难题，这些问题可能非凸且存在多个局部最优解。由于缺乏公开基准，不同解决方案之间的比较难以进行，这进一步阻碍了相关问题的进展。本文引入一个新的腿式机器人轨迹优化与姿态生成基准，包含预定义场景、机器人模型、约束条件及评估标准。我们在此基准上评估了基于序列二次规划（SQP）的最先进轨迹优化算法，以及借鉴自大规模机器学习文献的新型随机与增量优化方法。有趣的是，我们表明其中一些基于随机梯度下降（SGD）的随机与增量方法，在困难初始化条件下比SQP取得了更高的成功率。受此观察启发，我们还提出一种新的SQP增量变体，每次迭代仅更新代价与约束的一个随机子集。该算法在成功率和收敛速度上均表现最佳，两项指标均比SQP提升高达30%。基准资源及解决方案评估脚本已公开发布。
引用
@article{arxiv.1710.03029,
title = {SGD for robot motion? The effectiveness of stochastic optimization on a new benchmark for biped locomotion tasks},
author = {Martim Brandao and Kenji Hashimoto and Atsuo Takanishi},
journal= {arXiv preprint arXiv:1710.03029},
year = {2017}
}
备注
To appear in IEEE-RAS International Conference on Humanoid Robots (Humanoids) 2017