Plánování pohybu pro deformovatelné objekty

Abstract

Plánování pohybu deformovatelných objektů je stále nevyřešený problém s mnoha výzvami. V této práci představujeme naši knihovnu RRT-RL, která je vytvořena za účelem řízení struktur ve tvaru kabelu ve 2D prostředí. V této knihovně kombinujeme metodu rychle rostoucích náhodných stromů (RRT) pro globální plánování cesty a posilované učení (RL) pro plánování lokální. V první části práce je popsána nutná teorie z oblastí deformovatelné fyziky, vzorkovacích algoritmů a posilovaného učení. V kapitolách 3 a 4 je zformulován problém plánování pohybu pro deformovatelné objekty a vysvětleny důležité vlastnosti naší RRT-RL knihovny. Dále jsou popsány problémy spojené s aplikací RRT na deformovatelné objekty. V poslední části práce jsou navrženy lokální plánovače s i bez využití RL a posouzena jejich výkonnost. Naše experimenty ukazují, že deterministický přístup bez posilovaného učení zatím překovnává metody založené na posilovaném učení. Tento výsledek tak poodkrývá další výzvy spojené s aplikací RRT a RL na řízení deformovatelných objektů.The motion planning for deformable objects is an open field with many unsolved challenges. In this thesis, we introduce our RRT-RL framework that combines Rapidly Exploring Random Trees (RRT) for global path planning with Reinforcement Learning (RL) for local control of cable-like structures in 2D environments. The first part discusses theory of deformable physics, sampling-based planners and reinforcement learning algorithms. The middle part formulates the motion planning problem and describes the features of our framework. Challenges which occur when applying RRT on deformable object planning are discussed. In the last part, both RL-based and non-RL local planners are proposed, and their performance is evaluated. Surprisingly, our experiments show that a deterministic approach combining goal-seeking and obstacle-avoidance forces outperforms all RL-based methods, revealing further challenges in applying RRT with RL to deformable object control.