Conceitos essenciais
システムの実際の挙動に合わせて計画戦略を修正するためのオンライン適応型アプローチを提案します。
Resumo
ロボット操作は解析的または学習されたモデルに依存しており、オフライン情報に基づいているため、予期しない障害物などの不一致に対処できないことがある。
提案された手法は、新しい再計画ごとに計画戦略を修正するために、モデルエラーの推定値とオンライン観測値を使用するサンプリングベースの動作計画アプローチを提供します。
シミュレーションと実験結果は、提案手法が実行成功率を向上させ、目標達成に必要な再計画回数を削減することを示しています。
I. INTRODUCTION
物理ベースシミュレーションや深層学習モデルの進歩により、複雑なタスクが可能になってきました。
しかし、これらのモデルはしばしばアクション結果を予測する際に不正確であり、その結果、予期しない衝突などが発生する可能性があります。
II. RELATED WORKS
不確実性下での動作計画はロボティクス分野で長く研究されてきました。
サンプリングベースプランナーは広く使用されており、不確実性への対処も考慮されています。
III. PROBLEM STATEMENT
動的システムからゴール設定までの制御問題を考えます。
プランナーはシステムの近似モデルとその誤差推定値へアクセスします。
IV. METHOD
提案手法ではコスト関数とサンプリングバイアスを調整して信頼性の低い移動を抑制します。
コスト関数やサンプリングバイアスが変更されることで信頼性低い移動が回避されます。
V. RESULTS
2D例題や7自由度マニピュレーションシナリオで提案手法が成功率向上や再計画回数削減に効果的であることが示されました。
Estatísticas
この記事では重要な数字やメトリクスは含まれていません。