Nov, 2022

机器学习与基于采样的运动规划集成调查

PDF
TL;DR本文综述了如何利用机器学习提高基于采样的运动规划器（SBMPs）的计算效率和适用性，包括提高节点采样、碰撞检测、局部规划等关键组件的学习方法，以及如何利用机器学习构建完整的 SBMP 结构，并提供了方法的优缺点以及未来的研究方向。
sampling-based methodsmotion planningmachine learningcomputational efficiencydata-driven models
发现论文，激发创造
  • 机器人移动规划中的潜空间学习

    通过学习可规划的潜在表示，本文提出了基于潜在采样的动作规划 (L-SBMP) 的方法，该方法结合了控制机器人系统的最新进展和采样式运动规划 (SBMP) 的技术，可以处理高维度机器人系统的动作规划问题，同时采用了三个算法基本原则，即状态采样，局部转向和碰撞检查。

    Jul, 2018

  • 基于安全学习的自动驾驶最优运动规划

    本文提出了使用机器学习的启发式搜索方法来实现城市道路自动驾驶的优化路径规划，以解决动态障碍物对路线规划的影响问题。

    May, 2018

  • 自主驾驶的层次行为和运动规划学习

    通过引入分层行为和运动规划（HBMP），我们在学习驾驶解决方案中显式地建模行为，解决了不同场景的 RL 训练效率低下的问题，并在 SUMO 的快速事件仿真器中进行训练，最终在 CARLA 动力学仿真器中进行训练并转移到现实世界，证明了该方法的有效性和可推广性。

    May, 2020

  • 多智能体采样式运动规划的分解

    为了解决多体智能系统中路径规划难度增大的问题，我们将分解概念引入了取样算法中，并且在寻找解决方案的过程中，通过分解启发式方法将不同的智能体子集分解到独立的低维搜索空间，成功将搜索空间维度增长从指数级减少到线性级别。

    Apr, 2023

  • 学习运动规划的隐式采样分布

    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。

    Jun, 2018

  • 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

  • 动作规划网络：弥合基于学习和经典动作规划器之间的差距

    本文介绍了 Motion Planning Networks (MPNet)，这是一种计算效率高、基于学习的神经规划器，用于解决运动规划问题。 MPNet 使用神经网络学习通用的近似最优启发式路径规划，在已知和未知环境中生成可连接路径，并结合传统的采样规划器，形成了一种混合方法。为了培训 MPNet 模型，我们提出了一种主动的连续学习方法，使 MPNet 能够从流媒体数据中学习，并在需要时主动要求专家演示，大大减少了培训数据。 在各种 2D 到 7D 机器人配置空间的问题中，我们进行了性能评估，并验证了 MPNet 的鲁棒性。

    Jul, 2019

  • 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

  • 模型预测控制中的优化学习

    通过机器学习优化基于样本的模型预测控制中的更新规则，以在有限的样本数下获得更好的控制效果。

    Dec, 2022

  • 使用 Transformer 学习采样字典，实现机器人运动规划的高效与通用

    本论文提出了一种名为矢量量化运动规划转换器（VQ-MPT）的新方法，它克服了以往基于学习的方法的主要限制，包括无法扩展到更高维度空间和缺乏对分布之外环境的通用性，使其能够应用于各种复杂性系统，实现了较高的成功率和更快的路径规划。

    Jun, 2023