Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Obstacle Avoidance using Dynamic Movement Primitives and Reinforcement Learning

Created by
  • Haebom

저자

Dominik Urbaniak, Alejandro Agostini, Pol Ramon, Jan Rosell, Raul Suarez, Michael Suppa

개요

학습 기반의 동작 계획은 빠르게 최적에 가까운 궤적을 생성할 수 있지만, 대규모 훈련 데이터셋 또는 값비싼 인간 시연 수집이 필요한 경우가 많다. 본 연구에서는 단일 인공 시연으로부터 부드럽고 최적에 가까우며 충돌이 없는 3D Cartesian 궤적을 빠르게 생성하는 대안적인 접근 방식을 제안한다. 이 시연은 동적 움직임 기본 요소(DMP)로 인코딩되고, 정책 기반 강화 학습을 사용하여 반복적으로 재형성되어 다양한 장애물 구성을 위한 다양한 궤적 데이터셋을 생성한다. 이 데이터셋은 점 구름에서 자동으로 파생된 장애물 치수 및 위치를 설명하는 작업 매개변수를 입력으로 받아 궤적을 생성하는 DMP 매개변수를 출력하는 신경망을 훈련하는 데 사용된다. 시뮬레이션 및 실제 로봇 실험에서 이 접근 방식은 계산 및 실행 시간, 궤적 길이 측면에서 RRT-Connect 기준선보다 성능이 우수했으며, 다양한 장애물 기하학 및 엔드 이펙터 치수에 대한 다중 모드 궤적 생성을 지원한다.

시사점, 한계점

단일 인공 시연으로부터 3D Cartesian 궤적을 생성하는 효율적인 방법 제안.
RRT-Connect 기준선 대비 계산 시간, 실행 시간 및 궤적 길이 측면에서 성능 개선.
다중 모드 궤적 생성 지원.
장애물 형상과 엔드 이펙터 크기에 따른 유연성.
DMP 기반으로 궤적을 생성하므로 궤적의 부드러움 보장.
단일 인공 시연에 의존하므로 시연의 품질이 중요.
신경망 학습을 위한 데이터셋 생성에 강화 학습 필요.
점 구름 기반의 장애물 정보 추출 과정의 정확도에 의존적.
👍