学习运动规划的隐式采样分布

Jun, 2018

Learning Implicit Sampling Distributions for Motion Planning

Clark Zhang, Jinwook Huh, Daniel D. Lee

TL;DR本论文提出了一种基于政策搜索的方法，通过利用类似环境中过去搜索的信息生成更好的分布来适应不同环境。该方法可与各种基于采样的计划程序结合使用，以提高性能，验证结果表明该方法在包括 7 自由度机械臂在内的多项任务中取得了显著改进，尤其在碰撞检查和扩展节点数量方面。

Abstract

sampling-based motion planners have experienced much success due to their ability to efficiently and evenly explore the state space. However, for many tasks, it may be more efficient to not uniformly explore the state space, especially when there is prior information about its structur

motion planning sampling-based policy search implicit sampling distributions computational cost

发现论文，激发创造

机器人运动规划中的采样分布学习

提出了一种基于条件变分自编码器的方法，通过学习演示数据中的采样分布，使用非均匀采样来加速规划过程并显著提高成功率和最优成本收敛速度，同时保持了采样策略理论保证的特性。

Sep, 2017

学习采样分布用于模型预测控制

我们通过学习参数分布并在潜在空间中进行控制，提出了一种使用双层优化和正规流参数化分布的模型预测控制方法，旨在克服使用简单似然函数进行采样时出现的性能问题。在模拟机器人任务中，我们证明了该方法比以前的方法具有更好的性能和更少的样本数。

Dec, 2022

引导式运动规划框架

随机抽样、机器人运动规划、引导空间、信息论方法、混合算法

Apr, 2024

评估引导空间用于运动规划

本文提出了运动规划指导空间的概念，并使用信息理论方法评估引导式规划，为多种机器人动作规划算法的研究提供了新的应用框架。

Oct, 2022

用策略梯度学习经典规划策略

引入一种新的搜索框架来解决规划问题，该框架能够在解决特定规划问题时在几种前向搜索方法之间交替使用，使用可训练的随机策略来选择搜索方法，进而优化搜索策略，实验结果表明该框架优于传统的最佳优先搜索和均匀策略方法。

Oct, 2018

基于数据驱动的模仿学习规划

利用数据驱动的模仿学习框架，通过模仿一个清晰的预测者，解决了机器人规划中的优化问题，从而为序列决策制定了更好的战略。在信息不完整的计划问题上进行了验证，包括真实的无人机实验，并且表现优于现有的算法。

Nov, 2017

通过模仿学习启发式搜索

使用 SaIL 特有的算法，训练启发式策略来遍历搜索树中的节点，以减少搜索次数。实验证明 SaIL 算法在实时规划环境中优于现有算法，这为学习体现 ' 快速找到可行解并随时间增量调整 ' 的启发式方法铺平了道路。

Jul, 2017

基于强化学习的行为规划与采样运动规划的自动驾驶集成

本文提出一种利用深度强化学习的自主驾驶行为规划模型，通过预测未来交通情况，将高层行为规划接口化，并通过循环规划策略进行实验验证。

Apr, 2023

运动规划扩散：使用扩散模型学习和规划机器人动作

学习轨迹分布的先验信息可以帮助加速机器人运动规划优化，本工作提出了学习扩散模型作为先验信息的方法，并通过扩散模型的逆去噪过程在任务目标条件下直接从后验轨迹分布中进行采样，实验证明扩散模型是编码高维机器人运动轨迹分布的强先验。

Aug, 2023

隐式多任务强化学习问题的政策调整方法

在动态运动生成任务中，微小的策略参数变化可能导致完全不同的结果。本研究提出了一种多任务强化学习算法，用于适应单一运动类别中目标或环境的隐式变化，通过不同的奖励函数或物理环境参数。使用单脚机器人模型对球的头球任务进行了评估，结果表明该方法能够适应目标位置或球的恢复系数的隐式变化，而标准的领域随机化方法无法适应不同的任务设置。

Aug, 2023