.png){kind=icon}
返回
Motion Planning Diffusion: Learning and Adapting Robot Motion Planning With Diffusion Models
.png){kind=icon}
PRE
AI
DOI：10.1109/TRO.2025.3593109.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于优化的机器人运动规划算法的性能高度依赖于初始解，这些初始解通常通过运行基于采样的规划器来获得无碰撞路径。然而，这些方法在处理高维和复杂场景时可能较慢，并且会产生非平滑解。鉴于之前解决过的路径规划问题，学习其分布并作为新相似问题的先验是极为理想的。已有研究提出利用这一先验来启动运动规划问题，要么通过从中采样初始解，要么在轨迹优化的最大后验概率公式中使用其分布。在本工作中，我们引入了运动规划扩散（MPD）算法，该算法使用扩散模型学习轨迹分布先验。这些生成模型在编码多模态数据方面显示出越来越大的成功，并具有梯度运动规划的优良特性，如代价引导。给定一个运动规划问题，我们构建一个代价函数，并在去噪过程中结合学习到的先验与代价函数梯度，从后验分布中采样。我们不是在所有轨迹航点（waypoints）上学习先验，而是提出使用线性运动基元（motion primitives），特别是B样条曲线，来学习轨迹的低维表示。这种参数化保证了生成的轨迹是平滑的，可以在更高频率下进行插值，并且所需的参数比密集航点表示更少。我们展示了从简单的2-D任务到使用7-DOF机械臂执行更复杂任务的实验结果。除了从模拟数据中学习，我们还使用真实世界拾取与放置任务中的人类演示。实验结果表明，扩散模型是编码优化基运动规划多模态轨迹分布的强先验。
Keyword:
Deep learning
diffusion models
learning to plan
motion planning
期刊
IF:
10.5
论文数:
3.3K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
分享收藏Diffusion-ES: Gradient-Free Planning with Diffusion for Autonomous and Instruction-Guided DrivingDiffusion-ES：基于扩散的梯度自由规划方法，用于自主驾驶和指令引导驾驶
PREAI
分享收藏
分享收藏Mixtures of Gaussian Processes for Robot Motion Planning Using Stochastic Trajectory Optimization使用随机轨迹优化的机器人运动计划的高斯过程的混合
PREAI
分享收藏
查看更多内容