Ankieta na temat integracji uczenia maszynowego z planowaniem ruchu opartym na próbkowaniu

Oryginalny tytuł:

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

Zawartość książki:

Planowanie ruchu to problem znalezienia prawidłowych ścieżek, wyrażonych jako sekwencje konfiguracji, lub trajektorii, wyrażonych jako sekwencje sterowania, które przenoszą robota z danego stanu początkowego do pożądanego stanu docelowego przy jednoczesnym unikaniu przeszkód. Metody oparte na próbkowaniu są powszechnie stosowanymi rozwiązaniami do planowania ruchu robotów. Metody te są proste w implementacji i skuteczne w praktyce dla wielu systemów robotycznych. Co więcej, mają one wiele pożądanych właściwości, takich jak probabilistyczna kompletność i asymptotyczna optymalność. Niemniej jednak, metody oparte na próbkowaniu wciąż stoją przed wyzwaniami wraz ze wzrostem złożoności bazowego problemu planowania, szczególnie w przypadku ścisłych ograniczeń czasowych obliczeń, które wpływają na jakość zwracanych rozwiązań lub przy niedokładnych modelach. Zmotywowało to uczenie maszynowe do poprawy wydajności obliczeniowej i możliwości zastosowania planistów ruchu opartych na próbkowaniu (SBMP).

Istnieje wiele publikacji na temat wykorzystania algorytmów uczenia maszynowego w celu ogólnej poprawy wydajności systemów robotycznych. Niedawno uwaga skupiła się na postępie metod głębokiego uczenia, co zaowocowało wieloma wysiłkami na rzecz wykorzystania odpowiednich narzędzi w robotyce. Niniejsza monografia koncentruje się w szczególności na integracji narzędzi uczenia maszynowego w celu poprawy wydajności, zbieżności i możliwości zastosowania SBMP. Publikacja obejmuje szeroki zakres zastosowań robotycznych, w tym między innymi planowanie manipulacji i planowanie systemów z ograniczeniami dynamicznymi. W szczególności, niniejszy manuskrypt zawiera przegląd prób wykorzystania uczenia maszynowego do poprawy wydajności poszczególnych prymitywów wykorzystywanych przez SBMP. Analizowana jest również seria planistów, które wykorzystują uczenie maszynowe do adaptacyjnego wyboru z zestawu prymitywów planowania ruchu. Następnie monografia analizuje serię zintegrowanych architektur, które uczą się kompleksowego mapowania danych wejściowych z czujników na trajektorie lub elementy sterujące robota. Wreszcie, monografia pokazuje, w jaki sposób SBMP mogą działać na wyuczonych modelach systemu robotycznego ze względu na obecność szumu i niepewności, i kończy się dyskusją porównawczą różnych omówionych podejść pod względem ich wpływu na wydajność obliczeniową planisty, jakość obliczonych ścieżek, a także użyteczność SBMP.

Przedstawiono również ogólne trudności i ograniczenia tych metod, a także potencjalne kierunki przyszłych prac.