Un'indagine sull'integrazione dell'apprendimento automatico con la pianificazione del movimento basata sul campionamento

Titolo originale:

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

Contenuto del libro:

La pianificazione del movimento è il problema di trovare percorsi validi, espressi come sequenze di configurazioni, o traiettorie, espresse come sequenze di comandi, che spostino un robot da un determinato stato iniziale a uno stato finale desiderato evitando gli ostacoli. I metodi basati sul campionamento sono soluzioni ampiamente adottate per la pianificazione del movimento dei robot. I metodi sono semplici da implementare ed efficaci nella pratica per molti sistemi robotici. Inoltre, hanno numerose proprietà desiderabili, come la completezza probabilistica e l'ottimalità asintotica. Tuttavia, i metodi basati sul campionamento devono ancora affrontare delle sfide quando la complessità del problema di pianificazione sottostante aumenta, soprattutto in presenza di stretti vincoli di tempo di calcolo, che si ripercuotono sulla qualità delle soluzioni restituite o su modelli imprecisi. Ciò ha motivato l'apprendimento automatico a migliorare l'efficienza computazionale e l'applicabilità dei Sampling-Based Motion Planner (SBMP).

Esistono numerose pubblicazioni sull'uso di algoritmi di apprendimento automatico per migliorare l'efficienza dei sistemi robotici in generale. Recentemente, l'attenzione si è concentrata sui progressi dei metodi di deep learning, che hanno portato a molti sforzi per utilizzare gli strumenti corrispondenti nella robotica. Questa monografia si concentra specificamente sull'integrazione degli strumenti di apprendimento automatico per migliorare l'efficienza, la convergenza e l'applicabilità degli SBMP. La pubblicazione copre un'ampia gamma di applicazioni robotiche, tra cui, ma non solo, la pianificazione della manipolazione e la pianificazione di sistemi con vincoli dinamici. In particolare, questo manoscritto esamina innanzitutto i tentativi di utilizzare l'apprendimento automatico per migliorare le prestazioni delle singole primitive utilizzate dagli SBMP. Studia inoltre una serie di pianificatori che utilizzano l'apprendimento automatico per selezionare in modo adattivo un insieme di primitive di pianificazione del movimento. La monografia procede poi con lo studio di una serie di architetture integrate che apprendono una mappatura end-to-end degli input dei sensori alle traiettorie o ai comandi del robot. Infine, la monografia mostra come gli SBMP possano operare su modelli appresi di sistemi robotici in presenza di rumore e incertezza, e si conclude con una discussione comparativa dei diversi approcci trattati in termini di impatto sull'efficienza computazionale del pianificatore, sulla qualità dei percorsi calcolati e sull'usabilità degli SBMP.

Vengono inoltre illustrate le difficoltà e le limitazioni di questi metodi, nonché le potenziali direzioni di lavoro future.