随机运动规划作为高斯变分推理：理论与算法
摘要：通过概率推断解决不确定性下的运动规划问题。利用线性随机动力学建模具有无碰撞的运动规划，通过后验分布来模拟。高斯变分推断是对路径分布进行优化，以在高斯分布的范围内推断后验分布。我们提出了高斯变分推断运动规划（GVI-MP）算法来解决这个高斯推断问题，其中使用自然梯度范式来迭代更新高斯分布，并利用联合分布的因式结构。我们证明了GVI-MP中对状态分布的直接优化等价于求解具有闭合形式解的随机控制问题。基于这一观察，我们提出了第二个算法，邻近梯度协方差控制运动规划（PGCS-MP），以解决具有终端约束的同一推断问题的随机控制形式。我们使用邻近梯度范式来解决具有非线性碰撞成本的线性随机控制问题，其中通过迭代地使用二次函数近似非线性成本，并通过解决每次迭代的线性协方差控制来获得闭合形式的解。我们通过对各种机器人模型进行广泛的实验来评估所提出方法的有效性和性能。本文的代码可以在https://github.com/hzyu17/VIMP 找到。
作者：Hongzhe Yu and Yongxin Chen
论文ID：2308.14985
分类：Robotics
分类简称：cs.RO
提交时间：2023-08-30