On Path Regression with Extreme Learning and the Linear Configuration Space
On Path Regression with Extreme Learning and the Linear Configuration Space
复制标题
极限学习和线性配置空间的路径回归
DOI：
10.1109/irc55401.2022.00074
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Tomoyuki Miyashita
中科院分区：
文献类型：
--
作者：
Victor Parque;Tomoyuki Miyashita
本文研究的路径回归问题，即学习运动规划功能，渲染轨迹从初始到结束机器人配置在一个单一的向前通过。为此，我们研究了路径回归问题，使用配置空间中的线性转换和基于极限学习机的浅神经计划。我们的计算实验涉及一组相关的和不同的6-DOF机器人轨迹的路径回归的可行性和实际效率与有吸引力的泛化性能在样本外的观察。特别是，我们证明了可以在大约10 ms- 31 ms内学习路径回归的神经策略，并在看不见的样本外场景中实现10−3- 10− 6的均方误差。我们相信我们的方法有潜力探索基于学习的运动规划的有效算法。
This paper studies the path regression problem, that is learning motion planning functions that render trajectories from initial to end robot configurations in a single forward pass. To this end, we have studied the path regression problem using the linear transition in the configuration space and shallow neural schemes based on Extreme Learning Machines. Our computational experiments involving a relevant and diverse set of 6-DOF robot trajectories have shown path regression’s feasibility and practical efficiency with attractive generalization performance in out-of-sample observations. In particular, we show that it is possible to learn neural policies for path regression in about 10 ms. - 31 ms. and achieving 10−3– 10−6Mean Squared Error on unseen out-of-sample scenarios. We believe our approach has the potential to explore efficient algorithms for learning-based motion planning.
登录
查看更多内容
影响因子：
6
作者：
Huang, Guang-Bin;Zhu, Qin-Yu;Siew, Chee-Kheong
通讯作者：
Siew, Chee-Kheong
ST-RRT*：时空渐近最优双向运动规划
DOI：
10.48550/arxiv.2203.02176
发表时间：
2022
期刊：
IEEE International Conference on Robotics and Automation
影响因子：
--
作者：
Francesco Grothe;Valentin N. Hartmann;A. Orthey;Marc Toussaint
通讯作者：
Marc Toussaint
DOI：
--
发表时间：
2018-04
期刊：
ArXiv
影响因子：
--
作者：
A. Srinivas;A. Jabri;P. Abbeel;S. Levine;Chelsea Finn
通讯作者：
A. Srinivas;A. Jabri;P. Abbeel;S. Levine;Chelsea Finn
重复采样以有效规划类似的约束操作任务
DOI：
10.1109/iros.2017.8206116
发表时间：
2017
期刊：
2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
影响因子：
--
作者：
Peter Lehner;A. Albu
通讯作者：
A. Albu
使用 C 空间中的线性变换学习运动规划函数：网络和内核
DOI：
--
发表时间：
2021
期刊：
Proceedings of the 2021 IEEE 45th Annual Computers, Software, and Applications Conference (COMPSAC)
影响因子：
--
作者：
酒井 麻帆;神野 健哉;成田雅彦;Victor Parque
通讯作者：
Victor Parque