Centrala begrepp
経験ライブラリを構築する際に、各経験の適応可能領域を明示的に追跡することで、未カバーの領域を効果的にカバーするような経験を選択的に追加することで、高速かつ高成功率のモーションプランニングを実現する。
Sammanfattning
本論文では、CoverLibと呼ばれる新しい経験ライブラリ構築手法を提案している。CoverLibは、経験ライブラリを構築する際に、各経験の適応可能領域を明示的に追跡することで、未カバーの領域を効果的にカバーするような経験を選択的に追加する。
具体的には以下の3つのステップから成る:
- 次に追加する経験を、未カバーの領域をできるだけ効果的にカバーするよう選択する。
- 選択した経験に対して、その経験の計算コストを予測するための回帰モデルを学習する。
- 学習した回帰モデルと、偽陽性率の制約条件を満たすよう、各経験の適応可能領域を表すバイアス項を最適化する。
この手順を繰り返し行うことで、効率的に経験ライブラリを構築できる。実験結果より、CoverLibは従来手法と比べて高速かつ高成功率のモーションプランニングを実現できることが示された。
Statistik
2次元の双積分器モデルを用いた運動計画問題では、32次元のパラメータ空間を扱う。
障害物は10個、速度と加速度の上限はそれぞれ0.3と0.1である。
初期位置は固定で(0.1, 0.1)、目標位置は2次元空間内でランダムに設定される。