Prieskum integrácie strojového učenia s plánovaním pohybu na základe vzorkovania

Pôvodný názov:

A Survey on the Integration of Machine Learning with Sampling-based Motion Planning

Obsah knihy:

Plánovanie pohybu je problém hľadania platných ciest, vyjadrených ako sekvencie konfigurácií, alebo trajektórií, vyjadrených ako sekvencie ovládacích prvkov, ktoré robota presunú z daného počiatočného stavu do požadovaného cieľového stavu a zároveň sa vyhnú prekážkam. Metódy založené na vzorkovaní sú široko prijatými riešeniami plánovania pohybu robotov. Tieto metódy sú jednoduché na implementáciu a v praxi sú účinné pre mnohé robotické systémy. Okrem toho majú množstvo žiaducich vlastností, ako je pravdepodobnostná úplnosť a asymptotická optimálnosť. Napriek tomu metódy založené na vzorkovaní stále čelia problémom, pretože zložitosť základného problému plánovania sa zvyšuje, najmä pri prísnych obmedzeniach výpočtového času, čo má vplyv na kvalitu vrátených riešení alebo pri daných nepresných modeloch. To motivovalo strojové učenie na zlepšenie výpočtovej efektívnosti a použiteľnosti plánovačov pohybu založených na vzorkovaní (SBMP).

Existuje množstvo publikácií o používaní algoritmov strojového učenia na zlepšenie účinnosti robotických systémov vo všeobecnosti. V poslednom čase sa pozornosť sústreďuje na pokrok metód hlbokého učenia, čo vyústilo do mnohých snáh o využitie príslušných nástrojov v robotike. Táto monografia sa zameriava konkrétne na integráciu nástrojov strojového učenia s cieľom zlepšiť efektívnosť, konvergenciu a použiteľnosť SBMP. Publikácia pokrýva širokú škálu robotických aplikácií, okrem iného vrátane plánovania manipulácie a plánovania systémov s dynamickými obmedzeniami. V tomto rukopise sa najprv skúmajú najmä pokusy o využitie strojového učenia na zlepšenie výkonnosti jednotlivých primitív používaných SBMP. Skúma tiež sériu plánovačov, ktoré využívajú strojové učenie na adaptívny výber zo súboru primitív plánovania pohybu. Monografia potom pokračuje štúdiom série integrovaných architektúr, ktoré sa učia end-to-end mapovanie vstupov zo senzorov na trajektórie alebo riadenie robota. Nakoniec monografia ukazuje, ako môžu SBMP fungovať nad naučenými modelmi robotického systému vzhľadom na prítomnosť šumu a neurčitosti, a v závere sa venuje porovnávacej diskusii rôznych zahrnutých prístupov z hľadiska ich vplyvu na výpočtovú efektívnosť plánovača, kvalitu vypočítaných dráh, ako aj použiteľnosť SBMP.

Uvedené sú aj všeobecné ťažkosti a obmedzenia týchto metód, ako aj možné smery budúcej práce.