Un studiu privind integrarea învățării automate cu planificarea mișcării bazată pe eșantionare

Titlul original:

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

Conținutul cărții:

Planificarea mișcării este problema găsirii unor căi valide, exprimate ca secvențe de configurații, sau a unor traiectorii, exprimate ca secvențe de comenzi, care să deplaseze un robot de la o anumită stare inițială la o stare țintă dorită, evitând în același timp obstacolele. Metodele bazate pe eșantionare sunt soluții adoptate pe scară largă pentru planificarea mișcării roboților. Metodele sunt ușor de implementat și eficiente în practică pentru multe sisteme robotice. În plus, acestea au numeroase proprietăți de dorit, cum ar fi completitudinea probabilistică și optimitatea asimptotică. Cu toate acestea, metodele bazate pe eșantionare continuă să se confrunte cu provocări pe măsură ce complexitatea problemei de planificare subiacente crește, în special în condiții de constrângeri stricte privind timpul de calcul, care afectează calitatea soluțiilor returnate sau a modelelor inexacte. Acest lucru a motivat învățarea automată pentru a îmbunătăți eficiența de calcul și aplicabilitatea planificatorilor de mișcare pe bază de eșantionare (SBMP).

Există numeroase publicații privind utilizarea algoritmilor de învățare automată pentru a îmbunătăți eficiența sistemelor robotice în general. Recent, atenția s-a concentrat pe progresul metodelor de învățare profundă, ceea ce a dus la multe eforturi de a utiliza instrumentele corespunzătoare în robotică. Această monografie se concentrează în special pe integrarea instrumentelor de învățare automată pentru a îmbunătăți eficiența, convergența și aplicabilitatea SBMP-urilor. Publicația acoperă o gamă largă de aplicații robotice, inclusiv, dar fără a se limita la, planificarea manipulării și planificarea pentru sistemele cu constrângeri dinamice. În special, acest manuscris analizează mai întâi încercările de a utiliza învățarea automată pentru a îmbunătăți performanța primitivelor individuale utilizate de SBMP-uri. De asemenea, studiază o serie de planificatori care utilizează învățarea automată pentru a selecta în mod adaptiv dintr-un set de primitive de planificare a mișcării. Monografia trece apoi la studierea unei serii de arhitecturi integrate care învață o cartografiere de la un capăt la altul a intrărilor senzorilor la traiectoriile sau comenzile robotului. În cele din urmă, monografia arată modul în care SBMP pot funcționa peste modelele învățate ale sistemului robotic datorită prezenței zgomotului și a incertitudinii și se încheie cu o discuție comparativă a diferitelor abordări abordate în ceea ce privește impactul acestora asupra eficienței de calcul a planificatorului, a calității traiectoriilor calculate, precum și a capacității de utilizare a SBMP.

De asemenea, sunt subliniate dificultățile și limitările generale ale acestor metode, precum și direcțiile potențiale ale lucrărilor viitoare.