[論文レビュー] Learning Manifolds for Sequential Motion Planning

Isabel M. Rayas Fernández, Giovanni Sutanto+3 more|arXiv (Cornell University)|Jun 13, 2020

Robotic Path Planning Algorithms参考文献 23被引用数 4

ひとこと要約

本稿では、変分自己オートエンコーダー（VAE）と、新たなニューラルネットワークである等価制約多様体ニューラルネットワーク（ECoMaNN）を用いて、順序運動計画における暗黙的制約多様体をデータ駆動で学習するアプローチを提案する。ECoMaNNは、多様体上に存在するデモンストレーションデータのみから等価制約を効果的に学習でき、順序的多様体計画（SMP）フレームワークへの統合が可能である。実験結果により、球面や放物面のような多様体の正確な表現が得られ、学習された多様体上での実行可能な運動計画が可能であることが示された。

ABSTRACT

Motion planning with constraints is an important part of many real-world robotic systems. In this work, we study manifold learning methods to learn such constraints from data. We explore two methods for learning implicit constraint manifolds from data: Variational Autoencoders (VAE), and a new method, Equality Constraint Manifold Neural Network (ECoMaNN). With the aim of incorporating learned constraints into a sampling-based motion planning framework, we evaluate the approaches on their ability to learn representations of constraints from various datasets and on the quality of paths produced during planning.

研究の動機と目的

• ロボットの運動計画において、解析的に扱いにくい複雑な運動制約をデモンストレーションデータから学習する課題に取り組む。
• オフ・マニフォールドデータを必要とせず、多様体上に存在するデータのみから暗黙的制約多様体を学習する手法を開発する。これにより、アノテーションの負担を低減する。
• 学習された多様体を順序的多様体計画（SMP）フレームワークに統合し、複数のサブタスクを含む運動計画問題を解決する。
• VAEとECoMaNNが制約多様体をどのように表現できるか、および実行可能で低コストな運動計画を可能にする性能を評価する。

提案手法

• ECoMaNNは、ロボットの構成を入力とし、暗黙的関数値 h_M(q) を出力する深層ニューラルネットワークであり、多様体上に存在するデモンストレーションデータのみから等価制約を直接学習する。
• ネットワークは、多様体上に存在する構成のみを用いて教師あり学習が行われ、オフ・マニフォールドのラベル付けにかかるコストを回避する。
• VAEを用いた多様体学習をベースラインとして用い、VAEが潜在空間表現を学習し、構成を再構成することで暗黙的に多様体を定義する。
• 暗黙的関数値 h_M(q) は、構成が多様体上にあるかどうかを検証するのに用いられ、値が0に近いほど多様体上に存在することを示す。
• 学習された多様体はSMPフレームワークに統合され、RRT*を用いて衝突のない経路を複数の連続する多様体を通過する形で探索する。
• 評価には、実データセット（例：球面、平面、ハンドオーバー）と合成データを用い、h_M(q)の平均値と標準偏差を定量的指標として用いる。

実験結果

リサーチクエスチョン

• RQ1 オフ・マニフォールドデータを一切使用せずに、多様体上に存在するデモンストレーションデータのみから、ニューラルネットワークが等価制約の暗黙的表現を学習できるか？
• RQ2 ECoMaNNとVAEが、暗黙的関数値 h_M(q) を用いて、真の多様体構造をどの程度正確に再構築できるか？
• RQ3 ECoMaNNとVAEが学習した多様体は、SMPフレームワークに効果的に統合され、実行可能で低コストな運動計画を生成できるか？
• RQ4 等価制約と不等価制約、次元数の異なる制約の種別において、ECoMaNNとVAEの性能特性はどのように異なるか？
• RQ5 VAEが生成した構成は、学習済み多様体上にどの程度安定して存在するか（一般化性と頑健性の指標として）？

主な発見

• ECoMaNNは3次元単位球面データセットにおいて、平均暗黙的関数値が 0.04 ± 0.06 を達成し、等価制約多様体の正確な表現が可能であることを示した。
• Navデータセット（不等価制約）において、VAEの平均 h_M 値は 0.42 ± 0.18 であり、1未満という閾値を下回っているため、制約を適切に満たしていることが確認された。
• 生成された構成について、VAEは球面データセットで平均 h_M を 0.10 ± 0.03 に維持し、未学習の多様体上点に対しても良好な一般化性能を示した。
• ECoMaNNモデルは、球面多様体の法線空間固有ベクトル場を正しく学習しており、等高線が円形に近い形状を示しており、幾何学的忠実性が確認された。
• SMPを用いて学習済み球面多様体上で運動計画経路が正常に生成された。ECoMaNNを順序計画フレームワークに統合する可能性が実証された。
• VAEはPlaneおよびOrientデータセットにおいても頑健な性能を示し、平均 h_M 値がそれぞれ 0.14 ± 0.08 および 0.01 ± 0.01 であった。これは、多様体学習が効果的に行われたことを示している。