이 연구는 트랜스포머 강화 모션 플래너(TEMP)라는 새로운 모션 계획 프레임워크를 제안한다. TEMP는 환경 정보 의미 인코더(EISE)와 모션 계획 트랜스포머(MPT)로 구성된다.
EISE는 환경 데이터를 의미 있는 환경 정보(SEI)로 변환하여 MPT에 제공한다. MPT는 주목 메커니즘을 활용하여 SEI, 작업 목표, 과거 계획 데이터에 동적으로 초점을 맞추면서 샘플링 노드를 생성한다.
TEMP는 RRT* 데이터셋을 사용하여 EISE와 MPT를 협력적으로 학습시킨다. EISE는 자율적으로 환경 데이터에서 패턴을 학습하고 추출하여 MPT가 효과적으로 해석하고 활용할 수 있는 의미 있는 표현을 생성한다.
TEMP의 주목 기반 샘플링은 고품질 경로 탐색을 위해 필요한 노드 수를 크게 줄이고 수렴 속도를 높인다. 또한 TEMP는 IRRT와 RRT에 비해 약 10배 빠른 해결 속도와 향상된 성공률을 보인다.
To Another Language
from source content
arxiv.org
Głębsze pytania