Neural Randomized Planning for Whole Body Robot Motion

机器人运动规划在过去几十年中取得了巨大进展，但挑战仍然存在：由于高维机器人配置空间和复杂的环境几何结构，机器人移动操作员在常见家庭环境中难以实时规划长距离全身运动。为了解决这一挑战，本文提出了神经随机规划器（NRP），它结合了全局采样式运动规划（SBMP）算法和本地神经采样器。直观地说，NRP使用全局规划器内部的搜索结构，将学习的本地采样分布拼接在一起，形成自适应的全局采样分布。它从学习和规划两方面受益。在本地方面，它通过学习在数据中有前途的区域进行采样，并具有丰富的神经网络表示，以解决高维问题。在全局方面，它通过规划组合本地采样分布，并利用本地几何相似性扩展到复杂环境。在仿真和真实机器人上的实验表明，与一些最佳的经典和学习增强的SBMP算法相比，NRP具有更优越的性能。此外，尽管在仿真中进行了训练，NRP在新的家庭环境中对真实机器人进行了零样本转移，而无需进行任何微调或手动适应。

论文提出了Neural Randomized Planner（NRP），旨在解决机器人移动操作在家庭环境中长距离全身运动规划困难的问题。

NRP将全局采样式运动规划算法和本地神经采样器相结合，通过学习和规划相结合，利用全局规划器内的搜索结构来自适应地拼接学习到的本地采样分布，从而解决高维机器人配置空间和复杂环境几何形状的问题。

论文在仿真和实际机器人上都进行了实验，展示了NRP相对于一些最好的传统和学习增强的运动规划算法具有优越性。此外，尽管在仿真中训练，NRP还展示了在新家庭环境中实际机器人的零-shot迁移能力，无需微调或手动适应。

相关的研究包括：Learning to Navigate in Complex Environments using Full 3D Perception和Neural Motion Planner: Bridging the Gap between Physical Dynamics and Geometric Planning等。