A Survey on the Integration of Machine Learning with Sampling-based Motion Planning
A mozgástervezés a konfigurációk sorozataként kifejezett érvényes pályák vagy vezérlések sorozataként kifejezett pályák megtalálásának problémája, amelyek egy robotot egy adott kiindulási állapotból egy kívánt célállapotba juttatnak, miközben elkerülik az akadályokat. A mintavételezésen alapuló módszerek széles körben elfogadott megoldások a robotok mozgástervezésére. A módszerek egyszerűen megvalósíthatók, és a gyakorlatban számos robotrendszer esetében hatékonyak. Továbbá számos kívánatos tulajdonsággal rendelkeznek, mint például a valószínűségi teljesség és az aszimptotikus optimalitás. Mindazonáltal a mintavételezésen alapuló módszerek még mindig kihívásokkal szembesülnek, ahogy a mögöttes tervezési probléma komplexitása növekszik, különösen szűk számítási időkorlátok mellett, amelyek hatással vannak a visszaküldött megoldások minőségére vagy adott pontatlan modellekre. Ez motiválta a gépi tanulást a mintavételezésen alapuló mozgástervezők (SBMP) számítási hatékonyságának és alkalmazhatóságának javítására.
Számos publikáció foglalkozik a gépi tanulási algoritmusok alkalmazásával a robotrendszerek hatékonyságának általános javítására. A közelmúltban a figyelem a mélytanulási módszerek fejlődésére összpontosult, ami számos erőfeszítést eredményezett a megfelelő eszközök robotikában való hasznosítására. Ez a monográfia kifejezetten a gépi tanulási eszközök integrálására összpontosít az SBMP-k hatékonyságának, konvergenciájának és alkalmazhatóságának javítása érdekében. A kiadvány a robotikai alkalmazások széles skáláját öleli fel, többek között a manipulációs tervezést és a dinamikus korlátokkal rendelkező rendszerek tervezését. A kézirat először azokat a kísérleteket tekinti át, amelyek a gépi tanulást az SBMP-k által használt egyes primitívek teljesítményének javítására kívánják használni. Emellett egy sor olyan tervezőt is tanulmányoz, amelyek gépi tanulást használnak a mozgástervezési primitívek halmazából történő adaptív kiválasztásra. A monográfia ezután olyan integrált architektúrák tanulmányozására tér rá, amelyek megtanulják az érzékelő bemenetek végponttól végpontig tartó leképezését a robotpályákhoz vagy vezérlésekhez. Végül a monográfia bemutatja, hogy az SBMP-k hogyan működhetnek a robotrendszer megtanult modelljei felett a zaj és a bizonytalanság jelenléte miatt, és a különböző megközelítések összehasonlító vitájával zárul, a tervező számítási hatékonyságára, a kiszámított pályák minőségére, valamint az SBMP-k használhatóságára gyakorolt hatásuk szempontjából.
Vázoljuk továbbá e módszerek általános nehézségeit és korlátait, valamint a jövőbeli munka lehetséges irányait.