Learning-based motion planning for a timber crane

Abstract

Die Bewegungsplanung ist ein wichtiger Teil der Robotikforschung und erfordert Algorithmen, die recheneffizient sind und sich an unterschiedliche Umgebungen anpassen können. Die Verwendung von Machine Learning Ansätzen für die Bewegungsplanung kann Lösungen für diese Herausforderungen bieten. In dieser Arbeit werden Imitation Learning Methoden für die Bewegungsplanung untersucht, die mit künstlichen neuronalen Netzen implementiert werden. Die Netze generieren Trajektorien, indem sie zwei Algorithmen imitieren: Via-point-based Stochastic Trajectory Optimization und die Lösung eines Optimalsteuerungsproblems. Diese lernbasierten Bewegungsplanungsmethoden werden auf einen Holzkran in verschiedenen Umgebungsbedingungen angewandt. Die Ergebnisse zeigen, dass die Netzwerke im Allgemeinen in der Lage sind, die zugrundeliegende Aufgabe durch Imitieren des Verhaltens zu erlernen und sich an unterschiedliche Hindernishöhen anzupassen. Sie zeigen auch einen deutlichen Vorteil hinsichtlich der Rechengeschwindigkeit gegenüber den ursprünglichen Algorithmen. In dem komplexeren Szenario mit zwei beweglichen Hindernissen sind jedoch weitere Verbesserungen erforderlich.

Motion planning is an essential part of robotics research, requiring algorithms that are computationally efficient and adaptable to varying environments. Using machine learning methods for motion planning can provide solutions to these challenges. In this thesis, imitation learning methods for motion planning are investigated, utilizing artificial neural networks to implement these techniques. The networks generate trajectories by imitating two algorithms: Via-point-based Stochastic Trajectory Optimization and the solution to an optimal control problem. These learning-based motion planning methods are applied to a timber crane across different environmental settings. The results demonstrate that the networks are generally able to learn the underlying task through behavioral cloning and adapt to varying obstacle heights. They also show a significant advantage regarding computational speed over the original algorithms. However, in the more complex scenario with two movable obstacles, further improvements are required.