[论文解读] 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 4

一句话总结

本文提出一种数据驱动方法，利用变分自编码器（VAE）和一种新型神经网络——等式约束流形神经网络（ECoMaNN），学习用于序列运动规划的隐式约束流形。ECoMaNN 仅从流形上的示范数据中成功学习等式约束，实现了与序列流形规划（SMP）框架的有效集成，实证结果表明其在球面、抛物面等流形上具有准确的流形表示能力，并能生成可行的运动规划路径。

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.

研究动机与目标

• 解决在机器人运动规划中，从示范数据学习复杂且解析不可解的运动约束的挑战。
• 开发一种无需使用离流形数据即可学习隐式约束流形的方法，从而减轻标注负担。
• 将学习到的流形集成到序列流形规划（SMP）框架中，以解决多子任务运动规划问题。
• 评估 VAE 和 ECoMaNN 在表示流形约束以及生成可行、低成本运动规划方面的性能。

提出的方法

• ECoMaNN 是一种深度神经网络，输入为机器人构型，输出为隐式函数值 h_M(q)，直接从流形上的示范数据学习等式约束。
• 该网络采用监督方式训练，仅使用位于约束流形上的构型，避免了对昂贵的离流形标签数据的依赖。
• 以基于 VAE 的流形学习作为基线方法，其中 VAE 学习潜在空间表示并重建构型，从而隐式定义流形。
• 隐式函数值 h_M(q) 用于验证某一构型是否位于流形上，值越接近零表示越符合流形条件。
• 将学习到的流形集成到 SMP 框架中，该框架利用 RRT* 算法寻找穿越连续流形的无碰撞路径。
• 评估使用真实数据集（如球面、平面、交接任务）和合成数据，量化指标包括 h_M(q) 的均值与标准差。

实验结果

研究问题

• RQ1 神经网络是否仅从流形上的示范数据中即可学习等式约束的隐式表示，而无需离流形数据？
• RQ2 ECoMaNN 与 VAE 在多大程度上能准确重建真实流形结构，以隐式函数值 h_M(q) 衡量？
• RQ3 ECoMaNN 与 VAE 学习到的流形是否能成功集成到 SMP 框架中，以生成可行且低成本的运动规划？
• RQ4 在不同类型的约束（如等式与不等式约束、不同维度）下，ECoMaNN 与 VAE 的性能特征如何比较？
• RQ5 VAE 生成的构型在多大程度上能保持在学习到的流形上，表明其泛化能力与鲁棒性？

主要发现

• 在 3D 单位球面数据集上，ECoMaNN 的隐式函数值均值为 0.04 ± 0.06，表明其对等式约束流形的表示准确。
• 对于 Nav 数据集（不等式约束），VAE 的 h_M 均值为 0.42 ± 0.18，低于阈值 1，确认其满足约束条件。
• 在生成的构型上，VAE 在球面数据集上的 h_M 均值为 0.10 ± 0.03，表明模型对未见的流形点具有良好的泛化能力。
• ECoMaNN 模型成功学习了球面流形的法向空间特征向量场，等值线轮廓接近圆形，证实了其几何保真度。
• 通过 SMP 框架在学习到的球面流形上成功生成了一条运动规划路径，证明了将 ECoMaNN 集成到序列规划框架中的可行性。
• VAE 在 Plane 和 Orient 数据集上表现出稳健性能，h_M 均值分别为 0.14 ± 0.08 和 0.01 ± 0.01，表明其有效学习了流形结构。