Esta página se ha traducido mediante traducción automática. Haga clic aquí para ver la última versión en inglés.

mpnetSE2

Redes de planificación de movimiento

Desde R2023b

Descripción

El objeto mpnetSE2 almacena redes de planificación de movimiento (MPNet) para usarlas en el muestreo del espacio de estados. MPNet es un enfoque basado en aprendizaje profundo que utiliza redes neuronales para realizar muestreos informados. MPNet utiliza conocimientos previos para encontrar muestras de estado óptimas para la planificación del movimiento utilizando diferentes planificadores. Usando este objeto, puedes:

• Cargue un MPNet previamente entrenado y utilícelo para el muestreo del espacio de estados.

• Configure un MPNnet no entrenado para entrenarlo en un nuevo conjunto de datos. Luego, utilice el MPNnet entrenado para el muestreo del espacio de estados.

Utilice la función predict del objeto mpnetSE2 para predecir muestras de estado entre una pose inicial y una pose objetivo en un entorno de entrada conocido o desconocido. Utilice la función loss del objeto mpnetSE2 para calcular las pérdidas mientras entrena la red.

Creación

Sintaxis

mpnet = mpnetSE2

mpnet = mpnetSE2(Name=Value)

Descripción

mpnet = mpnetSE2 devuelve un MPNet no entrenado para entrenarlo y usarlo para muestrear el espacio de estados SE(2). Puede entrenar esta red en un conjunto de datos utilizando la función trainnet (Deep Learning Toolbox) .

mpnet = mpnetSE2(Name=Value) especifica propiedades utilizando uno o más argumentos de nombre-valor. Puede especificar las Network, StateBounds, LossWeights y EncodingSize como argumentos de nombre-valor .

Utilice la propiedad Network para almacenar una red neuronal profunda que puede utilizar para encontrar muestras de espacio de estados en un entorno conocido o desconocido. Luego puede utilizar las muestras seleccionadas para la planificación del movimiento utilizando diferentes planificadores de ruta.

Nota

Para ejecutar esta función, necesitará el Deep Learning Toolbox™.

Propiedades

Network — MPNet previamente entrenado o no entrenado

dlnetwork objeto | LayerGraph objeto

MPNet previamente entrenado o no entrenado, especificado como un objeto dlnetwork (Deep Learning Toolbox) o layerGraph (Deep Learning Toolbox) . De forma predeterminada, esta propiedad contiene un MPNet no entrenado.

StateBounds — Límites de las variables del espacio de estados SE (2)

[-100 100; -100 100; -pi pi] (predeterminado) | Matriz de valores reales de 3 por 2

Límites de las variables del espacio de estados SE(2), especificadas como una matriz de valores reales de 3 por 2.

• La primera fila especifica los límites inferior y superior de la variable de estado x en metros.

• La segunda fila especifica los límites inferior y superior de la variable de estado y en metros.

• La tercera fila especifica los límites inferior y superior de la variable de estado θ en radianes.

Tipos de datos: double

LossWeights — Pesos de la función de pérdida

[1 1 1] (predeterminado) | vector de tres elementos de valores positivos reales

Pesos de la función de pérdida, especificados como un vector de tres elementos de valores positivos reales para cada variable de estado, x, y y θ, del espacio de estados SE (2).

La pérdida de entrenamiento para MPNet es la distancia cuadrática media ponderada entre los estados previstos y los estados reales. Los pesos de la función de pérdida especifican el valor de peso para cada variable del espacio de estados mientras se calcula la pérdida.

Tipos de datos: single | double

EncodingSize — Tamaño del entorno codificado

[10 10] (predeterminado) | vector de dos elementos de números enteros no negativos | escalar no negativo

Tamaño del entorno codificado, especificado como un vector de dos elementos de enteros no negativos o un escalar no negativo.

• Si se especifica como un vector, los elementos del vector especifican el tamaño del entorno codificado en las direcciones x y y .

• Si se especifica como escalar, el objeto utiliza el valor especificado para las direcciones x y y .

El entorno codificado es una representación compacta de los mapas de entrada. La función codifica los mapas de entrada utilizando el enfoque de codificación del conjunto de puntos básicos (BPS) presentado en [1]. EncodingSize especifica el número de puntos básicos que se utilizarán para la representación compacta de mapas de entrada.

Por ejemplo, si N_sv es el número de variables de estado que definen el espacio de estado de entrada y [E_x E_y] es el tamaño del entorno codificado, entonces el tamaño del entorno codificado y el número de entradas al MPNnet debe satisfacer esta ecuación:

NumInputs = 2×(N_sv+1) + (Ex×Ey)

.

Si entrena MPNet en un solo entorno de mapa, no es necesario codificar el mapa. Porque codificar un entorno no afectará las predicciones de la red. Por lo tanto, puede establecer el valor EncodingSize en 0.

Tipos de datos: single | double

NumInputs — Número de entradas

108 (predeterminado) | número entero positivo

Esta propiedad o parámetro es de solo lectura.

Número de entradas al MPNet, almacenadas como un entero positivo. El valor predeterminado es 108.

El número de entradas a la red está determinado por la suma del tamaño del entorno codificado y el número de variables del espacio de estados que representan tanto el estado actual como el estado objetivo. El estado actual y el estado objetivo se proporcionan como entradas a la red en el formato x, y, cosθ y sinθ. Por lo tanto, el número de variables del espacio de estados proporcionadas como entrada a la red es 8. El tamaño predeterminado del entorno codificado es 10 por 10. Por lo tanto, el número predeterminado de entradas a la red es (10×10)+8 = 108.

Si el tamaño del entorno codificado se especifica como 0, el número de entradas a la red es 8.

Tipos de datos: double

NumOutputs — Número de salidas

4 (predeterminado)

Esta propiedad o parámetro es de solo lectura.

Número de salidas de MPNet, almacenadas como 4. La red genera variables de espacio de estado, x, y, cosθ y sinθ, que representan el siguiente estado previsto.

Tipos de datos: double

Funciones del objeto

predict	Predecir muestras de estado usando MPNet
loss	Calcular la pérdida entre los estados previstos y los estados reales
copy	Crear copia profunda del objeto mpnetSE2

Ejemplos

Entrene MPNet en un entorno de mapa único

Entrene una red de planificación de movimiento (MPNet), en un entorno de mapa único, para el muestreo del espacio de estados. En el caso de un entorno de mapa único, se utiliza un mapa fijo para entrenar y probar la red. Luego, puede utilizar la red entrenada para calcular muestras de estado entre cualquier pose inicial y pose objetivo en el mapa. Primero, debe configurar un MPNet y entrenar la red en un pequeño conjunto de datos. Utilice la pérdida de entrenamiento para evaluar la precisión de la red. Si entrena MPNet en un gran conjunto de datos de entrenamiento creado utilizando múltiples entornos de mapas, también debe calcular la pérdida de validación para ajustar la precisión de la red. Para obtener información sobre cómo entrenar MPNet en múltiples entornos de mapas para muestreo de espacio de estados, consulte Entrene un muestreador basado en aprendizaje profundo para la planificación del movimiento.

Cargar e inspeccionar datos de entrenamiento

Cargue el mapa de entrada y los datos de entrenamiento en el espacio de trabajo de MATLAB® .

data = load("singleTrainData.mat","trainData","map")

data = struct with fields:
    trainData: {100×1 cell}
          map: [1×1 binaryOccupancyMap]

map = data.map;

Los datos de entrenamiento constan de muestras de estado óptimo calculadas para múltiples valores aleatorios de poses iniciales y poses de destino en un mapa de laberinto. Extraiga los datos de entrenamiento de la estructura de datos.

trainData = data.trainData;

Inspeccionar los datos de entrenamiento. Los datos de entrenamiento son un arreglo de celdas de tamaño 100 por 1 que contiene 100 muestras de estado para usar en el entrenamiento de la red.

size(trainData)

ans = 1×2

   100     1

Lea las muestras de estado de los datos de entrenamiento. Trazar el mapa de entrada y las muestras del estado de entrenamiento.

figure
show(map)
hold on
for n = 1:100
    pathSample = trainData{n};
    plot(pathSample(:,1),pathSample(:,2),plannerLineSpec.state{:})
end
hold off

Crear MPNet y establecer parámetros de red

Cree un MPNnet no entrenado utilizando el objeto mpnetSE2 .

mpnet = mpnetSE2

mpnet = 
  mpnetSE2 with properties:

     StateBounds: [3×2 double]
     LossWeights: [1 1 1]
    EncodingSize: [10 10]
       NumInputs: 108
      NumOutputs: 4
         Network: [1×1 dlnetwork]

Visualiza la red. Para comprender mejor la arquitectura de la red, inspeccione las capas de la red y la cantidad de entradas a cada capa.

analyzeNetwork(mpnet.Network)

Establezca la propiedad StateBounds del objeto mpnetSE2 a los límites del mapa de entrada.

x = map.XWorldLimits;
y = map.YWorldLimits;
theta = [-pi pi];
stateBounds = [x; y; theta];
mpnet.StateBounds = stateBounds;

Establezca la propiedad EncodingSize del objeto mpnetSE2 en 0. Esto indica que la función no debe codificar el mapa de entrada para entrenar la red. Establecer la propiedad EncodingSize en 0 cambia la propiedad NumInputs del MPNnet a 8.

mpnet.EncodingSize = 0

mpnet = 
  mpnetSE2 with properties:

     StateBounds: [3×2 double]
     LossWeights: [1 1 1]
    EncodingSize: [0 0]
       NumInputs: 8
      NumOutputs: 4
         Network: [1×1 dlnetwork]

Establezca la propiedad LossWeights del objeto mpnetSE2 en [10 10 0]. Para valores de peso más altos, la red tarda más épocas en converger. Si la entrada es un espacio de estados SE(2), el valor de peso para la variable del espacio de estados$\theta$se establece en 0.

mpnet.LossWeights = [10 10 0];

Preparar datos de entrenamiento

Prepare los datos de entrenamiento convirtiendo las muestras a un formato requerido para entrenar MPNet. La función mpnetPrepareData reescala los valores de los estados de ruta óptimos al rango [0, 1] y los almacena como un objeto datastore para usar con la función de entrenamiento.

dsTrain = mpnetPrepareData(trainData,mpnet);

Tren MPNet

Cree un objeto trainingOptions para entrenar el MPNet. Estas opciones de formación se han elegido de forma experimental. Si utiliza un nuevo conjunto de datos para el entrenamiento, debe cambiar sus opciones de entrenamiento para lograr la precisión de entrenamiento deseada.

• Utilice el optimizador Adam.

• Establezca el tamaño de los minilotes de entrenamiento en 20.

• Mezcla el almacén de datos de entrenamiento en cada época.

• Establezca el número máximo de épocas en 50.

options = trainingOptions("adam", ...
    MiniBatchSize=20, ...
    MaxEpochs=50, ...
    Shuffle="every-epoch", ...
    Plots="training-progress", ...   
    VerboseFrequency=500);

Entrene el MPNet usando la función trainnet . Especifique la función de pérdida y las opciones de entrenamiento como entradas a la función de entrenamiento. Para obtener resultados óptimos, la pérdida de entrenamiento debe converger a cero.

[net,info] = trainnet(dsTrain,mpnet.Network,@mpnet.loss,options);

    Iteration    Epoch    TimeElapsed    LearnRate    TrainingLoss
    _________    _____    ___________    _________    ____________
            1        1       00:00:02        0.001          6.2466
          500        6       00:00:24        0.001        0.042451
         1000       12       00:00:38        0.001        0.073534
         1500       17       00:00:52        0.001        0.038856
         2000       23       00:01:04        0.001        0.041173
         2500       29       00:01:16        0.001        0.021427
         3000       34       00:01:28        0.001        0.044795
         3500       40       00:01:39        0.001        0.030961
         4000       45       00:01:50        0.001        0.028537
         4450       50       00:02:01        0.001        0.017648
Training stopped: Max epochs completed

Establezca la propiedad Network del objeto mpnetSE2 en la red entrenada.

mpnet.Network = net; 

Realice un muestreo del espacio de estados utilizando MPNet entrenado

Especifique una pose inicial y una pose objetivo para calcular muestras de estado.

start= [2 2 0];
goal= [9 6 0];

Cree un objeto de espacio de estados para los límites de estado especificados.

stateSpace = stateSpaceSE2(stateBounds);

Configure el objeto stateSamplerMPNet para utilizar el MPNet entrenado para el muestreo del espacio de estados. Pase el entorno del mapa, el estado inicial y el estado objetivo como entradas al muestreador de estado. Establezca los límites para el número máximo de muestras aprendidas a considerar en 50.

stateSamplerDL = stateSamplerMPNET(stateSpace,mpnet,Environment=map,StartState=start,GoalState=goal,MaxLearnedSamples=50);

Genera 50 muestras de estado entre las poses inicial y meta.

samples = sample(stateSamplerDL,50);

Trazar las muestras de estado generadas. Observe que las muestras de estado generadas se centran entre los estados inicial y objetivo, y no están dispersas por todo el entorno del mapa. Puede reducir el tiempo de búsqueda y encontrar rutas óptimas rápidamente utilizando estas muestras de estado como semillas para la planificación del movimiento.

figure
show(map)
hold on
plot(samples(:,1),samples(:,2),plannerLineSpec.state{:})
plot(start(1),start(2),plannerLineSpec.start{:})
plot(goal(1),goal(2),plannerLineSpec.goal{:})
legend(Location="eastoutside")

Más información

También puede guardar el MPNnet entrenado en un archivo .mat para uso futuro. Guarde la red entrenada, los pesos perdidos y otros parámetros de la red en el archivo .mat . Para obtener información sobre cómo utilizar una red previamente entrenada para el muestreo del espacio de estados, consulte Predecir muestras de estado utilizando MPNnet entrenado en un solo entorno.

networkInput = mpnet.NumInputs;
networkOutput = mpnet.NumOutputs;
networkLossWeights = mpnet.LossWeights;
save("trainSingleMap.mat","net","map","networkInput","networkOutput","networkLossWeights");

Ejemplo de espacio de estados SE(2) utilizando MPNet previamente entrenado

Cargue un archivo de datos que contenga un MPNet previamente entrenado en el espacio de trabajo de MATLAB . El MPNet ha sido entrenado en mapas de laberintos 2-D generados aleatoriamente con anchos y alturas de 10 metros y una resolución de 2,5 celdas por metro. Los mapas de laberinto contienen un ancho de paso de 5 celdas de cuadrícula y un espesor de pared de 1 celda de cuadrícula.

data = load("mazeMapTrainedMPNET.mat")

data = struct with fields:
      encodingSize: [9 9]
       lossWeights: [100 100 0]
        mazeParams: {[5]  [1]  'MapSize'  [10 10]  'MapResolution'  [2.5000]}
       stateBounds: [3x2 double]
    trainedNetwork: [1x1 dlnetwork]

Crea un mapa de laberinto aleatorio para usarlo en la planificación de movimientos. El tamaño de la cuadrícula ($\mathrm{MapResolution}\times \mathrm{MapSize}$) debe ser el mismo que el de los mapas utilizados para entrenar el MPNet.

rng(50,"twister")
map = mapMaze(5,1,MapSize=[20 20],MapResolution=1.25);

Especifique la pose inicial y la pose objetivo.

start = [2 8 0];
goal = [18 18 0];

Especifique los límites de estado y cree un objeto de espacio de estado SE(2).

x = map.XWorldLimits;
y =  map.YWorldLimits;
theta = [-pi pi];
stateBounds = [x; y; theta];
stateSpace = stateSpaceSE2(stateBounds);

Configure el objeto mpnetSE2 para utilizar el MPNet previamente entrenado para predecir muestras de estado en un mapa aleatorio. Establezca los valores de propiedad EncodingSize del objeto mpnetSE2 a los valores utilizados para entrenar la red.

mpnet = mpnetSE2(Network=data.trainedNetwork,StateBounds=stateBounds,EncodingSize=data.encodingSize);

Cree un muestreador de estado de MPNnet para calcular las muestras de estado. Especifique el entorno del mapa y las posiciones de inicio y meta como entradas para el muestreador de estado.

mpnetSampler = stateSamplerMPNET(stateSpace,mpnet,Environment=map,StartState=start,GoalState=goal);

Genere 30 muestras del espacio de estados de entrada para la planificación del movimiento.

samples = sample(mpnetSampler,30);

Muestre el mapa de entrada y trace las muestras de estado calculadas.

figure
show(map)
hold on
plot(start(1),start(2),plannerLineSpec.start{:})
plot(goal(1),goal(2),plannerLineSpec.goal{:})
plot(samples(:,1),samples(:,2),plannerLineSpec.state{:})
legend(Location="bestoutside")
hold off

Referencias

[1] Prokudin, Sergey, Christoph Lassner, and Javier Romero. “Efficient Learning on Point Clouds with Basis Point Sets.” In 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW), 3072–81. Seoul, Korea (South): IEEE, 2019. https://doi.org/10.1109/ICCVW.2019.00370.

[2] Qureshi, Ahmed Hussain, Yinglong Miao, Anthony Simeonov, and Michael C. Yip. “Motion Planning Networks: Bridging the Gap Between Learning-Based and Classical Motion Planners.” IEEE Transactions on Robotics 37, no. 1 (February 2021): 48–66. https://doi.org/10.1109/TRO.2020.3006716.

Capacidades ampliadas

Generación de código C/C++

Genere código C y C++ mediante MATLAB® Coder™.

mpnetSE2 las propiedades del objeto deben ser constantes en tiempo de compilación.

Historial de versiones

Introducido en R2023b

Consulte también

Objetos

• stateSamplerMPNET

Funciones

• predict | loss | copy | mpnetPrepareData

Temas

• Acelere la planificación del movimiento con un muestreador basado en aprendizaje profundo
• Entrene un muestreador basado en aprendizaje profundo para la planificación del movimiento
• Comience con las redes de planificación de movimiento