Глава 1. Введение 3
Глава 2. Постановка задачи 5
Глава 3. Обзор литературы 7
3.1. Поиск путей на графе состояний (Алгоритм Дейкстры, A*) 7
3.2. Sample-based методы (PRM, RRT, RRT-connect, BiRRT, SST) 9
3.3. Experience-based методы 11
Глава 4. Метод 12
4.1. RRT 13
4.2. Bi-RRT 14
4.3. EM-алгоритм в общем виде 17
4.4. EM-алгоритм для Gaussian Mixture 18
4.5. Полный алгоритм 21
Глава 5. Эксперименты 23
5.1. Симулятор CoppeliaSim 23
5.2. Детали экспериментов с CoppeliaSim 24
5.3. Результаты с CoppeliaSim 26
Глава 6. Заключение 29
Список литературы 30
Технологии играют ключевую роль в современном мире, проникая в
различные аспекты жизнедеятельности. Их широкое распространение обусловлено их стремительным развитием и интеграцией во многие отрасли, от
промышленности до повседневной жизни. В этом контексте стоит отметить
значимость роботов-манипуляторов, эффективно выполняющих различные
задачи на предприятиях(Рис. 1) и в исследовательских целях. Также роботы манипуляторы могут использоваться в медицине. Возможно через несколько
лет сложнейшие хирургические операции станут задачей подобных роботов.
Рис. 1: Роботы манипуляторы на заводе
В данной области робототехники необходимо планирование и в различных сценариях могут требоваться разные подходы к планированию движения. В некоторых случаях, например, при выполнении рутинных задач на
производстве, эффективными могут быть предварительно спланированные
траектории движения. В других ситуациях, манипулятору нужно имитировать
действия человека, например, роботы участвующие в хирургии. Часто необходимо использовать адаптивное планирование, позволяющее манипулятору
динамически реагировать на изменения окружающей среды и эффективно
3адаптироваться к новым условиям, например, мобильные роботы манипуляторы.
Задача адаптивного планирования довольно сложна из-за большой размерности пространства, в котором осуществляется поиск решения, наличия
кинематических ограничений манипулятора, наличия препятствий. Поэтому
несмотря на долгую историю развития методов планирования для таких манипуляционных роботов единого универсального решения на данный момент
не существует. И притом, в последнее время исследователями активно изучается вопрос применения методов машинного обучения к данной задаче,
которые могли бы повысить эффективность разработанных ранее подходов.
Целью данной дипломной работы является исследование методов адаптивного планирования траектории движения манипуляторов в средах с препятствиями, использующих методы машинного обучения.
Для достижения данной цели необходимо выполнить следующие задачи:
• Провести анализ литературы, связанной с планированием для роботовманипуляторов и в частности использующие машинное обучение
• Реализовать метод планирования на основе машинного обучения
• Провести сравнительные эксперименты в средах с манипуляторами.
В ходе выполнения работы были исследованы методы адаптивного планирования траектории движения манипуляторов в средах с препятствиями,
использующих машинное обучение. Был проведен технический анализ литературы, на его основе был разработан новый метод для задачи планирования
траектории движения роботов-манипуляторов. Данный методы был реализован на языке Python на основе идеи использования обученной на полученном
29опыте смеси гауссианов и проведено экспериментальное сравнение с базовыми алгоритмами по выбранным метрикам в среде CoppeliaSim с манипулятором UR-10. Подход с использованием смеси гауссианов в sample-based
методах был ранее упомянут в литературе, но применялся к другим доменам
и не имел открытой реализации. К основным результатам работы относится
программная реализация алгоритма планирования и его улучшения при помощи добавления Goal-Bias и всего пайплайна эксперимента в CoppeliaSim.
На основании экспериментальных исследований можно сделать вывод,
что обучение смеси гауссианов на основе накопленного опыта даёт большой
прирост в скорости решения и в среднем существенно уменьшает длину,
построенного пути. Также было выявлено, что добавление Goal-Bias(GB) к
получившемуся распределению улучшает стабильность решения и значимо
уменьшает время планирования.
В будущих работах планируется изучение вопроса выбора функции f
и учёта ковариационной матрицы для изменения весов. Можно попробовать
использование GB не сразу, например сначала использовать обычную смесь
до какого-то момента, чтобы побольше исследовать среду в начале, а потом
использовать перевзвешенную. Можно попробовать вносить информацию в
распределение изменяя средние распределений, а не веса смеси.
