A Survey on the Integration of Machine Learning with Sampling-based Motion Planning
Bei der Bewegungsplanung geht es darum, gültige Pfade, ausgedrückt als Sequenzen von Konfigurationen, oder Trajektorien, ausgedrückt als Sequenzen von Steuerungen, zu finden, die einen Roboter von einem bestimmten Startzustand zu einem gewünschten Zielzustand bewegen und dabei Hindernissen ausweichen. Sampling-basierte Methoden sind weit verbreitete Lösungen für die Bewegungsplanung von Robotern. Die Methoden sind einfach zu implementieren und in der Praxis für viele Robotersysteme effektiv. Darüber hinaus weisen sie zahlreiche wünschenswerte Eigenschaften auf, wie z. B. probabilistische Vollständigkeit und asymptotische Optimalität. Nichtsdestotrotz stehen stichprobenbasierte Methoden immer noch vor Herausforderungen, wenn die Komplexität des zugrunde liegenden Planungsproblems zunimmt, insbesondere bei engen Rechenzeitbeschränkungen, die sich auf die Qualität der zurückgegebenen Lösungen oder bei ungenauen Modellen auswirken. Dies hat das maschinelle Lernen motiviert, die Berechnungseffizienz und Anwendbarkeit von stichprobenbasierten Bewegungsplanern (SBMPs) zu verbessern.
Es gibt zahlreiche Veröffentlichungen über den Einsatz von Algorithmen des maschinellen Lernens zur Verbesserung der Effizienz von Robotersystemen im Allgemeinen. In letzter Zeit hat sich die Aufmerksamkeit auf den Fortschritt der Deep-Learning-Methoden konzentriert, was zu vielen Bemühungen geführt hat, die entsprechenden Werkzeuge in der Robotik zu nutzen. Diese Monographie konzentriert sich speziell auf die Integration von maschinellen Lernwerkzeugen zur Verbesserung der Effizienz, Konvergenz und Anwendbarkeit von SBMPs. Die Publikation deckt ein breites Spektrum von Roboteranwendungen ab, einschließlich, aber nicht beschränkt auf die Planung von Manipulationen und die Planung von Systemen mit dynamischen Beschränkungen. Das Manuskript gibt zunächst einen Überblick über die Versuche, maschinelles Lernen zur Verbesserung der Leistung einzelner Primitive von SBMPs einzusetzen. Außerdem wird eine Reihe von Planern untersucht, die maschinelles Lernen nutzen, um adaptiv aus einem Satz von Bewegungsplanungsprimitiven auszuwählen. Anschließend wird eine Reihe integrierter Architekturen untersucht, die eine durchgängige Abbildung von Sensoreingaben auf Robotertrajektorien oder -steuerungen erlernen. Schließlich zeigt die Monographie, wie SBMPs über gelernte Modelle von Robotersystemen aufgrund von Rauschen und Ungewissheit arbeiten können, und sie schließt mit einer vergleichenden Diskussion der verschiedenen Ansätze in Bezug auf ihre Auswirkungen auf die Recheneffizienz des Planers, die Qualität der berechneten Pfade sowie die Nutzbarkeit von SBMPs.
Außerdem werden die allgemeinen Schwierigkeiten und Grenzen dieser Methoden sowie mögliche Richtungen für künftige Arbeiten aufgezeigt.
| ISBN: | 9781638281344 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
