Jun, 2023

物理知识引导的神经运动规划的渐进式学习

PDF
TL;DR提出了一种新的 Eikonal 方程组合方式和逐步学习策略，用于在复杂、杂乱、多高维机器人运动规划情境中训练神经网络。实现结果表明，该方法在计算规划速度、路径质量和成功率方面均显著优于最先进的传统 MP、数据驱动 NMP 和物理信息 NMP 方法，并且可缩放到多个复杂、杂乱情境以及狭窄通道的实际机器人执行情境。
motion planningneural motion plannerseikonal equationprogressive learning strategyrobot motion planning
发现论文，激发创造
  • 基于物理知识的神经运动规划在约束流形上的应用

    基于物理模型的约束运动规划 (CMP) 框架通过解决约束流形上的 Eikonal 方程并训练神经网络函数，能够高效地解决各种 CMP 问题，包括物体操作和高维机器人操作等复杂情境。

    Mar, 2024

  • 运动规划网络

    Motion Planning Networks (MPNet) is a novel neural network-based algorithm that efficiently generates collision-free paths for robotics applications in various environments, and consistently remains computationally efficient in all presented experiments.

    Jun, 2018

  • 端到端可解释的神经运动规划器

    本文提出了一种神经运动规划器 (NMP)，用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图，NMP 生成可解释的中间表示形式，以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后，本文的实验结果表明，学习成本体积可以生成比所有基线更安全的规划。

    Jan, 2021

  • 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

  • 利用强化学习进行神经运动规划

    本研究通过比较监督式学习与强化学习算法，提出了一个适用于动作规划领域的 DDPG-MP 算法，该算法有助于解决运动规划中数据不足的问题，并在新领域的规划中实现了较快速度。

    Jun, 2019

  • 使用深度神经网络在约束流形上进行快速运动规划

    本文介绍了一种新颖的学习规划框架，探讨了通过利用约束流形和神经规划方法来生成满足任意一组约束的规划，并以短常数时间计算它们的方法。

    Jan, 2023

  • 运动策略网络

    该研究提出了一种名为 M$\pi$Nets 的端到端神经模型，用于从单个深度摄像头观察中生成碰撞自由、平稳的运动，经过在超过 500,000 个环境中进行的超过 3 百万次运动规划实验的训练，证明 M$\pi$Nets 比以前的神经规划器快 46％，比本地控制策略更具鲁棒性，并具有应对动态场景所需的反应性。

    Oct, 2022

  • 基于运动基元的（再）规划策略

    本文介绍了一种名为 MP3 的深度强化学习方法，它通过将运动原语（MPs）整合到深度 RL 框架中，实现了在整个学习过程中生成平滑轨迹的能力，同时有效地从稀疏且非马尔可夫奖励中学习，还具有在执行过程中适应环境变化的能力，该方法相较于现有的深度 RL 和 RL 结合 MPs 等方法，在复杂、稀疏奖励环境和需要重规划的领域中表现出更好的性能。

    Jun, 2023

  • 自主车辆的交互式运动规划与联合优化

    MPC 与学习预测模型相结合的交互联合规划（IJP）在计算上可扩展的方式上提供了最佳结果。

    Oct, 2023

  • 神经势场的避障局部运动规划

    使用神经潜力场的模型预测控制方法在移动机器人平台上提供局部运动规划，通过神经网络模型基于机器人姿态、障碍地图和机器人足迹返回可微的避碰成本。实验证明该方法与现有的局部规划方法相当，提供的轨迹平滑性较好，并与障碍物保持安全距离，而且在 Husky UGV 移动机器人上能够实现实时和安全的局部规划。

    Oct, 2023