Study on Robot Trajectory Prediction for Motion Planning

Barbié,  Thibault

WEKO3

lat lon distance

[[sub_check.contents]]

[[sub_radio.contents]]

Field does not validate

[[sub_attr.contents]]　

インデックスツリー

アイテム

モーションプランニングのためのロボット軌道予測に関する研究

https://doi.org/10.18997/00007858

名前 / ファイル	ライセンス	アクション
kou_k_481.pdf (3.3 MB)

アイテムタイプ

学位論文 = Thesis or Dissertation(1)

公開日

2020-08-24

資源タイプ

資源タイプ識別子

http://purl.org/coar/resource_type/c_db06

資源タイプ

doctoral thesis

タイトル

Study on Robot Trajectory Prediction for Motion Planning

言語

タイトル

モーションプランニングのためのロボット軌道予測に関する研究

言語

eng

著者

Barbié, Thibault

抄録

内容記述タイプ

Abstract

内容記述

Most motion planners compute trajectory solutions from scratch instead of using gained knowledge. Trajectory prediction allows robots to predict a trajectory with respect to a new planning problem using a motion dataset of previously accumulated data. The predicted trajectories are then used as prior by motion planners, which significantly reduce their computation time while increasing their success rates. However, previous trajectory prediction algorithms require the motion dataset at runtime which is a serious constraint that does not scale well with huge datasets. In this thesis, we study the use of conditional generative models to perform trajectory prediction. They first learn on the motion dataset and afterward generate new trajectories conditionned on motion planning problems without needing the dataset. We also present a dataset compression method to help the convergence of the models. We demonstrate that conditional generative models are able to improve the performance of motion planners and can learn from huge datasets. / 一般的な軌道計画は集めた知識を使わずに一から軌道を計算する．一方，軌道予測アルゴリズムは集めた軌道データのデータセットを使うで新軌道計画問題による軌道解決予測が出来る．その予測した軌道は初期軌道で軌道計画が使用するから，成功率を上がると計算時間を減る．しかし，軌道予測の従来手法は予測しながらデータセットが必要だから，大きいデータセットの拡大限界が表す．この論文に，条件付き生成モデルによって軌道予測研究を行う．条件付き生成モデルはデータセットから学習して，新計画問題によるデータセットを使わずに初期軌道を生成する．また，モデルの収束をを向上するデータセットの圧縮アルゴリズムを紹介する．実験を行うで，条件付き生成モデルは軌道計画の性能を向上すると巨大データセットを学習出来るの証明する． / Au lieu d’utiliser leurs expériences passées, les planificateurs de mouvements calculent de zéros les trajectoires solutions. En utilisant une base de données de mouvements faite à partir de données accumulées en simulation ou en expérience réelle, les algorithmes de prédiction de trajectoires permettent de prédire des trajectoires solutions lorsqu’un nouveau problème est donné. Ces trajectoires prédictes sont alors utilisées comme solutions initiales par les planificateurs de mouvements, ce qui reduit significativement leurs temps de calcul et augmente leurs taux de succès. Cependant, jusqu’à maintenant, les algorithmes de prédiction de trajectoires demandent d’avoir la base de données de mouvements pendant l’exécution, ce qui est une sérieuse contrainte qui ne passe pas à l’échelle pour de grandes bases de données. Dans cette thèse, nous étudions l’usage de modèles générateurs conditionnels pour effectuer de la prédiction de trajectoire. Ces modèles commencent par apprendre sur la base de données et ensuite ont la capacité de générer de nouvelles trajectoires conditionnées sur les problèmes de planification de mouvements sans devoir nécessiter la présence de la base de données. Nous présentons aussi une méthode pour compresser la base de données pour aider la convergences des modèles. Enfin, nous montrons que les modèles generateurs conditionnels sont capables d’augmenter les performances des planificateurs de mouvements et peuvent apprendre sur de très grandes bases de données.

内容記述タイプ

TableOfContents

内容記述

1 Introduction||2 Related Work||3 Problem Statement||4 Gaussian Mixture Model||5 Conditional Variational Autoencoder||6 Conditional Generative Adversarial Networks||7 Dataset compression||8 Framework Discussion||9 Conclusion

備考

内容記述タイプ

Other

内容記述

九州工業大学博士学位論文学位記番号：工博甲第481号学位授与年月日：令和元年9月20日

キーワード

主題Scheme

Other

主題

Robot

キーワード

主題Scheme

Other

主題

Motion Planning

キーワード

主題Scheme

Other

主題

Trajectory Prediction

キーワード

主題Scheme

Other

主題

Generative Model

アドバイザー

西田, 健

学位授与番号

甲第481号

学位名

博士（工学）

学位授与年月日

2019-09-20

学位授与機関

学位授与機関識別子Scheme

kakenhi

学位授与機関識別子

17104

学位授与機関名

九州工業大学

学位授与年度

内容記述タイプ

Other

内容記述

令和元年度

出版タイプ

VoR

出版タイプResource

http://purl.org/coar/version/c_970fb48d4fbd8a85

アクセス権

open access

アクセス権URI

http://purl.org/coar/access_right/c_abf2

ID登録

10.18997/00007858

ID登録タイプ

JaLC

戻る

views

See details

	Views

Versions

Ver.1

2023-05-15 12:54:40.917929

Show All versions

Cite as

Other

エクスポート

OAI-PMH

JPCOAR 2.0
JPCOAR 1.0
DublinCore
DDI

Other Formats

インデックスリンク

インデックスツリー

アイテム

モーションプランニングのためのロボット軌道予測に関する研究

× Barbié, Thibault

Versions

Share

Cite as

Other

エクスポート

コミュニティ

メニューを最小化

インデックスリンク

インデックスツリー

アイテム

モーションプランニングのためのロボット軌道予測に関する研究

× Barbié, Thibault

Versions

Share

Cite as

Other

エクスポート

コミュニティ