基于习得采样字典的零样本约束运动规划 Transformer
机器人学
2023-09-28 v1
摘要
约束机器人运动规划是机器人与日常环境交互中的普遍需求，但也是一个众所周知的难题。基于采样的规划器中许多采样点因落在约束流形之外而需被舍弃，或需要大量迭代修正。鉴于此，能在合理时间内以较低路径代价给出满足约束的机器人轨迹的方案寥寥无几。本文中，我们提出了一种基于 Transformer 的、面向操作系统的任务空间约束运动规划模型。向量量化运动规划 Transformer (Vector Quantized-Motion Planning Transformer, VQ-MPT) 是近期一种基于学习的模型，可缩减无约束规划中面向采样运动规划器的搜索空间。我们提出适配一个预训练的 VQ-MPT 模型，以缩减约束规划的搜索空间，而无需重新训练或微调该模型。我们还提出更新神经网络输出，使采样区域更靠近约束流形。我们的实验表明，相较于传统规划器，VQ-MPT 在仿真与真实环境中均改善了规划时间与精度。与以往需要任务相关数据的学习方法不同，我们的方法使用预训练神经网络模型，无需额外训练与微调数据，使其成为 \textit{一次性(one-shot)} 过程。我们还在配备真实传感器数据的物理 Franka Panda 机器人上测试了该方法，证明了算法的泛化性。我们预期该方法易于上手且可广泛用于将有学习的神经规划器迁移至各类机器人-环境交互场景。
引用
@article{arxiv.2309.15272,
title = {Zero-Shot Constrained Motion Planning Transformers Using Learned Sampling Dictionaries},
author = {Jacob J. Johnson and Ahmed H. Qureshi and Michael C. Yip},
journal= {arXiv preprint arXiv:2309.15272},
year = {2023}
}