वीडियो भविष्यवाणी के रूप में रोबोट मोशन प्लानिंग: एक स्पोटियोटेम्पोरल न्यूरल नेटवर्क-आधारित मोशन प्लानर
सीखने-आधारित नमूना-आधारित गति योजनाकारों को पहले गारंटीकृत संभाव्य पूर्णता के साथ टकराव मुक्त पथ खोजने का प्रस्ताव दिया गया है। arXiv.org पर एक हालिया पेपर एक कुशल तंत्रिका नेटवर्क-आधारित गति योजनाकार का प्रस्ताव करता है जो पिछले दृष्टिकोणों की कमियों को दूर करता है।
छवि क्रेडिट: Pxhere, CC0 सार्वजनिक डोमेन
शोधकर्ता रोबोट के पूर्ण गति अनुक्रम की व्याख्या एक वीडियो क्लिप के रूप में करते हैं जिसमें विभिन्न टाइमस्टैम्प में नियोजित कार्य की स्थिति के अनुक्रमिक, असतत स्नैपशॉट की एक श्रृंखला होती है।ऐसी रणनीति से हो सकता है रोबोट का मोशन प्लान वीडियो भविष्यवाणी कार्य.
प्रस्तावित तंत्रिका नेटवर्क वास्तुकला स्थानिक पर्यावरण की जानकारी और अस्थायी गति सहसंबंध दोनों की एक साथ पहचान और निष्कर्षण की अनुमति देता है, उच्च गुणवत्ता वाले भविष्यवाणियां प्रदान करता है। दृश्य और अदृश्य वातावरण में अनुभवजन्य मूल्यांकन योजना की गति और पथ लागत के संदर्भ में दृष्टिकोण के आशाजनक प्रदर्शन को दर्शाता है।
तंत्रिका नेटवर्क (एनएन)-आधारित विधियां शक्तिशाली सीखने की क्षमताओं और एनएन मॉडल की स्वाभाविक रूप से उच्च समानता के कारण रोबोट गति योजना के लिए एक आकर्षक दृष्टिकोण के रूप में उभरी हैं। इस दिशा में वर्तमान विकास के बावजूद, महत्वपूर्ण अनुक्रमिक और स्थानिक जानकारी को प्रत्यक्ष और एक साथ तरीके से प्रभावी रूप से पकड़ने और प्रसंस्करण अभी भी अपेक्षाकृत खराब तरीके से खोजा गया है। इस चुनौती को दूर करने और गति नियोजन कार्यों के लिए तंत्रिका नेटवर्क की क्षमता को अनलॉक करने के लिए, यह पेपर एक अंतिम उपकरण प्रस्तुत करता है जो कुशल तंत्रिका नेटवर्क बनाने के लिए महत्वपूर्ण स्थानिक-अस्थायी जानकारी को पूरी तरह से निकाल सकता है और शोषण कर सकता है। हम एक अंत-शिक्षण ढांचे, एसटीपी-नेट का प्रस्ताव करते हैं . गति योजनाकार। रोबोट की गतिविधियों को वीडियो क्लिप के रूप में व्याख्या करके, रोबोट की गति योजना को वीडियो भविष्यवाणी कार्य में बदल दिया जाता है जिसे एसटीपी-नेट द्वारा स्थानिक और अस्थायी रूप से कुशल तरीके से किया जा सकता है। विभिन्न दृश्यमान और अदृश्य वातावरण में अनुभवजन्य मूल्यांकन से पता चलता है कि एसटीपी-नेट लगभग 100% सटीकता (उर्फ सफलता दर) के साथ नियोजन गति और पथ लागत दोनों के मामले में बहुत ही आशाजनक प्रदर्शन प्रदर्शित करता है। मैं यहां हूं। मौजूदा एनएन-आधारित गति योजनाकारों की तुलना में, एसटीपी-नेट क्रमशः 2डी यादृच्छिक वन, 2डी भूलभुलैया, और 3डी यादृच्छिक वन वातावरण में कम से कम 5x, 2.6x, और 1.8x गति सुधार प्राप्त करता है, और पथ लागत को कम करता है इसके अलावा, एसटीपी-नेट कई रोबोटों के लिए गति नियोजन कार्यों में कई निकट-इष्टतम पथों की त्वरित और एक साथ गणना कर सकता है।
शोध पत्र: ज़ैंग, एक्स।, यिन, एम।, हुआंग, एल।, यू, जे।, ज़ोनौज़, एस।, और युआन, बी।, “रोबोट मोशन प्लानिंग वीडियो भविष्यवाणी के रूप में: एक स्पैटिओटेम्पोरल न्यूरल नेटवर्क-आधारित मोशन प्लानर”, 2022 . संपर्क: https://arxiv.org/abs/2208.11287
