1 / 28

Motion planning with complete knowledge using a colored SOM

This presentation details an innovative approach to motion planning utilizing a Kohonen Self-Organizing Map (SOM) to create a collision-free roadmap for robots. The method emphasizes the goal of transitioning from a start configuration to a target configuration without collisions, leveraging a colored SOM that intelligently organizes configurations. By combining deterministic techniques with the network’s adaptive learning capabilities, the method enhances precision and expands the configuration space, addressing challenges typical to traditional motion planning techniques.

chadwick-roberson
Télécharger la présentation

Motion planning with complete knowledge using a colored SOM

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Motion planning with complete knowledge using a colored SOM Jules Vleugels, Joost N. Kok, & Mark Overmars Presentatie: Richard Jacobs

  2. Overzicht • Globale beschrijving • Meer gedetailleerde beschrijving • Samenvatting

  3. Globale beschrijving • Robot moet van beginconfiguratie naar doelconfiguratie zonder botsingen • Kohonen netwerk: zelf-organiserende roadmap • Verkregen roadmap wordt doorzocht voor oplossing

  4. Voorbeeld motion planning probleem

  5. Dimensies • 2D/3D-workspace • Translatie en rotatie

  6. Tot nu toe: • Cel-decompositie en roadmap-methodes • gebruiken grote datastructuren, met dure berekeningen • Potentiaalveldmethoden • Lokale minima, oplossingen vaak traag

  7. Nu: • Gebruik van Kohonen Netwerk in combinatie met deterministische technieken

  8. Idee: • Laat netwerk een roadmap maken • Benader Voronoi diagram

  9. Netwerk - algemeen • Krijgt input, produceert output • Afwijking van gewenste output • Pas gewichten zodanig aan dat fout kleiner wordt

  10. Netwerk - hier • Knooppunten zijn configuraties robot • Input: configuraties van robot + label • Leren: verschuiving knooppunten • Doel: benader Voronoi-diagram en object boundaries

  11. Geen neuraal netwerk • Geen output • Geen processing van informatie

  12. Voorbeeld netwerk

  13. Netwerk • Driehoeken • 1 knooppunt per hoek • Initieel uniforme verdeling van knooppunten over gebied met wat random variatie • Elk knooppunt is safe of unsafe

  14. Leren netwerk • Herhaalde leerstappen • In: configuratie + label – “safe” of “unsafe” • Bepaling best-matching unit (bmu) • Onveilige bmu’s naar veilige confgs. toegetrokken (tot grens) • Veilige bmu’s van onveilige configs. weggetrokken (Voronoi...) • Verplaatsing omgekeerd evenredig aan afstand tot bmu • Aantrekkende kracht van safe neighbors

  15. Toevoegen knooppunten • Lokaal vergroten precisie netwerk • Error-based • Scene-based

  16. Toevoegen knooppunten

  17. Error-based • Error per knooppunt bijhouden • Error is sommatie over verschuivingen van knooppunt • Hoge error: veel beweging: veel ruimte rond knooppunt

  18. Error-based strategie • Iedere k leerstappen knooppunt bepalen met hoogste error-waarde • Onveilig knooppunt • verste veilige buur bepalen • Voeg knooppunt toe halverwege edge (als unsafe) • Veilig knooppunt • Op lange edges • Enkel tussen veilige knp. met 2 gezamenlijke unsafe neighbours

  19. Voorbeeld unsafe node

  20. Voorbeeld safe node

  21. Scene-based adding • Als veilig knooppunt in verboden configuratieruimte getrokken wordt: onveilig knooppunt toevoegen op deze configuratie.

  22. Overtollige edges verwijderen • Edges tussen unsafe knooppunten binnen een obstakel worden verwijderd • Geen common safe neighbor • Geisoleerde knooppunten verwijderen

  23. 2e fase • Beweeg elke unsafe node (op object boundary) tussen zijn veilige buren • Als deze configuratie veilig is: extra punt op Voronoi diagram • Einde leerfase

  24. Planning a motion • Zoeken opeenvolging knooppunten tussen start en goal zonder botsingen • Opeenvolgende knopen gevonden met A*-algoritme • Check voor elk paar knooppunten of de robot daadwerkelijk van de ene naar de andere kan • Artikel gebruikt lineaire interpolatie

  25. Stopcriterium • Wanneer heeft netwerk voldoende geleerd? • Om de k leerstappen proberen of een pad gevonden kan worden: zoniet, dan doorgaan

  26. Samenvatting • Initialiseer netwerk • Herhaal oneindig • Genereer random input • Pas posities bmu’s aan • Om de zoveel keren • Toevoegen knooppunten • Verwijderen overtollige edges • Om de zoveel keren • Unsafe nodes naar free space • Probeer pad te vinden • Evt. herstellen unsafe nodes en doorgaan

  27. Extra dimensie • Rotatie • Wrap-around • Afstand afhankelijk van vorm van robot

  28. Conclusie • Methode geschikt voor problemen die anders te veel rekentijd kosten • Kan problemen aan die moeilijk zijn voor traditionele methoden • Beter dan random configuraties uitproberen??

More Related