Motion Planning Networks

这是一个基于神经网络的路径规划方法

摘要

 提出一个叫做MPNet的基于神经网络的路径规划模型，对输入的点云表示的环境进行编码，然后输出一个端到端的可行的路径。作者在2D和3D环境上都进行了测试，也在一个7自由度的机械臂上进行了测试。结果显示这个MPNet不仅计算效率很高，而且泛化能力也很强。结果也显示MPNet在任何环境下生成路径的时间都少于1秒。

介绍

 文章说现在一些基于采样的路径规划方法计算效率都很高，譬如RRT*，双向RRT*，P-RRT*，但是在高维度的环境下就变得很慢了。本文就是为了解决这个问题，提出了一个基于深度神经网络的循环运动规划算法MPNet。MPNet主要包括两个部分：编码网络和规划网络（encoder network and planning network）。
encoder network的作用就是把障碍物的点云数据编码成潜在环境表示(为了降维)。planning network的作用就是，你给它t时刻的位置，终点还有上面得到的潜在环境表示之后，它给你输出t+1时刻的位置。

相关工作

 基于强化学习的路径规划需要机器人和环境进行大量的交互，这个在实际环境里并不现实，训练起来很麻烦。
 最近路径规划领域兴起的是模仿学习（imitation learning），也就是学习基于采样的方法生成的路径。本文用的就是模仿学习。

MPNet细节

 MPNet的具体结构如下图：

图1. MPNet结构

 MPNet是一个两阶段的网络，包括：a)离线网络训练，b)在线路径生成。

A. 离线训练

 MPNet用到了两个网络模型，第一个是编码器网络（Enet），用来编码障碍物的点云数据（如图1.a那样）。第二个是planning网（Pnet），这个网络通过上面的点云编码后的数据+起点+终点来进行运动规划(就像图1.b）。

1. 编码器网络：Enet把障碍物的点云数据编码到特征空间Z∈$R_m$，m是一个整数，是为了降维的。Enet就是一个encoder-decoder结构（像Unet那样）。作者发现用压缩自编码器（CAE）的话，可以学到更加鲁棒的不变空间特征，对于路径规划和泛化都有很好的帮助。CAE的损失：
   
   这里${\theta }^e$是encoder的参数，${\theta }^d$是decoder的参数，λ是惩罚系数，$D_{obs}$是障碍物的点云数据集合，$\hat{x}$是decoder重建后的点云。
2. 路径规划网络：路径规划网络是一个前馈神经网络。给定上面编码后的点云数据$Z$，当前位置$x_t$和终点$x_T$，Pnet可以预测下一个位置${\hat{x}}_{t+1}$