経験から学習するロボットの経路計画フレームワーク

我々は、高次元空間での経路計画のためのフレームワーク「Lightning」を提案します。これは経験から学習することができ、計算時間の短縮を目的としています。このフレームワークは、家庭の支援からロボット支援手術に至るアプリケーションで発生する操作タスクに適しています。我々のフレームワークは、並行して動作する2つの主要なモジュールで構成されています。1つはゼロからの計画モジュール、もう1つはパスライブラリに保存された経路を取得して修正するモジュールです。新しいクエリのために経路が生成された後、ライブラリマネージャーは、計算時間と生成された経路が取得された経路にどれほど類似しているかに基づいて、その経路を保存するかどうかを決定します。ライブラリから適切な経路を取得するために、我々は問題の2つの重要な側面を利用する2つのヒューリスティックを使用します：(i) 経路が制約をどの程度違反しているかとその経路を修正するのに必要な時間との相関、および(ii) ロボットが動作する環境によって変わる制約と変わらない制約との暗黙の分割。我々は、PR2モバイルマニピュレーターと最小侵襲手術ロボットのシミュレーションにおいて、このフレームワークの実装をいくつかのタスクで評価しました。PR2に対する90%以上のテストケースおよび最小侵襲手術ロボットに対する58%のテストケースにおいて、取得および修正モジュールがゼロからの計画よりも速く経路を生成することを発見しました。