Transformer增强运动规划器：面向特定状态决策的注意力引导采样
机器人学
2024-10-27 v1 人工智能
摘要
基于采样的运动规划（SBMP）算法以其强大的全局搜索能力而闻名。然而，其采样机制中的固有随机性常常导致路径质量不一致和搜索效率有限。针对这些挑战，本文提出了一种新颖的基于深度学习的运动规划框架，名为Transformer增强运动规划器（TEMP），它协同了环境信息语义编码器（EISE）和运动规划Transformer（MPT）。EISE将环境数据转换为语义环境信息（SEI），为MPT提供丰富的环境理解。MPT利用注意力机制动态重新校准其对SEI、任务目标和历史规划数据的关注，优化采样节点生成。为了展示TEMP的能力，我们使用由RRT*产生的规划结果组成的数据集训练模型。EISE和MPT协同训练，使EISE能够自主学习和提取环境数据中的模式，从而形成MPT可以更有效解释和用于运动规划的语义表示。随后，我们在不同任务维度上系统评估了TEMP的效果，结果表明，与最先进的SBMP相比，TEMP实现了卓越的性能指标和更高的泛化能力。
引用
@article{arxiv.2404.19403,
title = {Transformer-Enhanced Motion Planner: Attention-Guided Sampling for State-Specific Decision Making},
author = {Lei Zhuang and Jingdong Zhao and Yuntao Li and Zichun Xu and Liangliang Zhao and Hong Liu},
journal= {arXiv preprint arXiv:2404.19403},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication