FootstepNet ist eine effiziente Actor-Critic-Methode für eine schnelle Online-Fußplanung und -Vorhersage für zweibeinige Roboter.
Ein risikoarmer, nicht-myopischer Bewegungsplaner für großskalige Roboterschwärme, der eine Gaussian Mixture Model-Darstellung des Schwarms und bedingte Wert-bei-Risiko-Beschränkungen verwendet, um eine sichere Navigation durch unübersichtliche Umgebungen zu gewährleisten.
Eine risikoarme Bewegungsplanung für große Roboterschwärme, die eine sichere Navigation durch unübersichtliche Umgebungen unter Verwendung von Conditional Value-at-Risk (CVaR) als Risikomaß ermöglicht.
Das vorgeschlagene Verfahren zur Trajektorienoptimierung nutzt die vollständigen Zentroidal-Dynamiken des Roboters und optimiert direkt die Fußpositionen und Kontaktkräfte, um effiziente Bewegungspläne mit geringem Rechenaufwand zu erzeugen.
Durch die Verwendung von gelernten Darstellungen, sogenannten Polytopischen Aktionsmengen, können komplexe Bewegungsplanungsprobleme in lineare Programme umgewandelt und als gemischt-ganzzahlige lineare Programme (MILP) effizient gelöst werden.
Die Arbeit präsentiert iDb-RRT, einen neuen Algorithmus für die kinodynamische Bewegungsplanung, der Suche und Optimierung innerhalb des Rapidly-Exploring Random Trees (RRT) Frameworks kombiniert. iDb-RRT verbindet Bewegungsprimitive mit begrenzter Diskontinuität als Expansionsschritt eines RRT, welche anschließend durch Trajektorienoptimierung korrigiert werden. Der Algorithmus ist probabilistisch vollständig und findet Lösungen deutlich schneller als der Stand der Technik über eine Vielzahl von Testproblemen.
Durch die Verwendung einer analytischen Lösung für die inverse Kinematik können die komplizierten nichtlinearen Gleichheitsbeschränkungen in der Konfigurationsebene umgangen und die Bewegungsplanung für bimanuelle Roboter effizienter gestaltet werden.
Durch die Verwendung von Petri-Netzen innerhalb eines Nets-within-Nets-Paradigmas kann eine effiziente Bewegungsplanung für ein heterogenes Roboterteam erreicht werden, die eine globale Mission erfüllt.
Ein neuronales Netzwerk lernt eine implizite Darstellung des Bewegungsvolumens eines Roboters, parametrisiert durch Start- und Zielkonfiguration. Dies ermöglicht eine schnelle Berechnung von Abständen zwischen einem Punkt im Arbeitsraum und dem Bewegungsvolumen, was die Kollisionserkennung beschleunigt.
Wir formulieren das Problem der synchronen Doppelarm-Umordnung als kooperatives mTSP und lösen es mit Hilfe von aufmerksamkeitsbasiertem Reinforcement Learning, um die Skalierbarkeit zu verbessern.