Estudio sobre la integración del aprendizaje automático con la planificación del movimiento basada en el muestreo

Título original:

A Survey on the Integration of Machine Learning with Sampling-based Motion Planning

Contenido del libro:

La planificación del movimiento es el problema de encontrar trayectorias válidas, expresadas como secuencias de configuraciones, o trayectorias, expresadas como secuencias de controles, que muevan un robot desde un estado inicial dado hasta un estado objetivo deseado evitando obstáculos. Los métodos basados en el muestreo son soluciones ampliamente adoptadas para la planificación del movimiento de los robots. Son fáciles de aplicar y, en la práctica, resultan eficaces para muchos sistemas robóticos. Además, tienen numerosas propiedades deseables, como la completitud probabilística y la optimalidad asintótica. No obstante, los métodos basados en el muestreo siguen enfrentándose a retos a medida que aumenta la complejidad del problema de planificación subyacente, especialmente cuando existen limitaciones de tiempo de cálculo, lo que repercute en la calidad de las soluciones devueltas o en la obtención de modelos imprecisos. Esto ha motivado el aprendizaje automático para mejorar la eficiencia computacional y la aplicabilidad de los planificadores de movimiento basados en muestreo (SBMP).

Existen numerosas publicaciones sobre el uso de algoritmos de aprendizaje automático para mejorar la eficiencia de los sistemas robóticos en general. Recientemente, la atención se ha centrado en el progreso de los métodos de aprendizaje profundo, lo que ha dado lugar a numerosos esfuerzos para utilizar las herramientas correspondientes en robótica. Esta monografía se centra específicamente en la integración de herramientas de aprendizaje automático para mejorar la eficiencia, la convergencia y la aplicabilidad de los SBMP. La publicación cubre una amplia gama de aplicaciones robóticas, incluyendo, pero no limitado a, la planificación de la manipulación, y la planificación de sistemas con restricciones dinámicas. En concreto, este manuscrito revisa en primer lugar los intentos de utilizar el aprendizaje automático para mejorar el rendimiento de las primitivas individuales utilizadas por los SBMP. También estudia una serie de planificadores que utilizan el aprendizaje automático para seleccionar de forma adaptativa entre un conjunto de primitivas de planificación del movimiento. A continuación, la monografía estudia una serie de arquitecturas integradas que aprenden una asignación de extremo a extremo de las entradas de los sensores a las trayectorias o controles del robot. Por último, la monografía muestra cómo los SBMP pueden operar sobre modelos aprendidos del sistema robótico debido a la presencia de ruido e incertidumbre, y concluye con una discusión comparativa de los diferentes enfoques cubiertos en términos de su impacto en la eficiencia computacional del planificador, la calidad de las trayectorias calculadas, así como la usabilidad de los SBMP.

También se esbozan las dificultades y limitaciones generales de estos métodos, así como las posibles orientaciones de los trabajos futuros.