In dieser Arbeit wird ein Ansatz zur Bewegungsplanung von Robotern vorgestellt, der Diffusionsmodelle als Priors verwendet. Die Autoren zeigen, dass Diffusionsmodelle in der Lage sind, komplexe und multimodale Trajektorienverteilungen aus Expertendaten zu lernen. Im Gegensatz zu anderen generativen Modellen wie Variational Autoencodern können Diffusionsmodelle diese Verteilungen effektiv erfassen.
Der Kernaspekt des Ansatzes ist es, die Bewegungsplanung als Inferenzproblem zu formulieren, bei dem aus der Posterior-Verteilung der Trajektorien unter Berücksichtigung der Kostenfunktionen optimal geplant wird. Dazu nutzen die Autoren den inversen Diffusionsprozess, um direkt aus der Posterior-Verteilung zu sampeln, anstatt zunächst aus der Prior-Verteilung zu sampeln und dann zu optimieren.
Die Experimente in verschiedenen simulierten Umgebungen zeigen, dass der Ansatz mit Diffusionsmodellen im Vergleich zu anderen generativen Modellen wie Variational Autoencodern bessere Ergebnisse in Bezug auf Erfolgsquote, Kollisionsintensität und Multimodalität der generierten Trajektorien erzielt. Insbesondere in Umgebungen mit zuvor unbekannten Hindernissen zeigt der Ansatz seine Stärken. Darüber hinaus können die gelernten Diffusionsmodelle auch als gute Priors für klassische Bewegungsplanungsalgorithmen wie GPMP verwendet werden.
Egy másik nyelvre
a forrásanyagból
arxiv.org
Mélyebb kérdések