Difúzní modely pro robotické plánování

Abstract

Odšumovací difúzní probabilistický model (DDPM) je nedávno objevený způsob učení generativních neuronových sítí. V této práci popisujeme jeho aplikaci pro hledání průchozích cest pro roboty. Analyzujeme existující, veřejně dostupné implementace a jejich nedostatky znemožňující širší použití. Na základě námi navržených změn stavíme vylepšenou architekturu neuronové sítě. Dále testujeme model na různých úlohách a porovnáváme jej s jinými známými metodami. Náš přístup dosahuje úspěšných výsledků i v prostředích, která nebyla součástí trénovací množiny. V neposlední řadě navrhujeme, jak zkombinovat DDPM s jinými algoritmy pro plánování cest a dosáhnout ještě lepších výsledků.

The Denoising Diffusion Probabilistic Model (DDPM) is a recent generative neural network framework. We describe its application to feasible path planning. We analyze the current open-source implementations and their shortcomings blocking wider adoptation. We propose significant improvements to one of them and build a neural network architecture using our implementation. We evaluate the performance of the model on a variety of tasks and compare it to other state-of-the-art methods achieving success even in previously unseen environments. Furthermore, we propose methods to combine DDPMs with other path-planning algorithms to improve their performance.