[論文レビュー] A Configuration-Space Decomposition Scheme for Learning-based Collision Checking

Yiheng Han, Zhao Wang+4 more|arXiv (Cornell University)|Nov 17, 2019

Robotic Path Planning Algorithms参考文献 20被引用数 4

ひとこと要約

本論文は、ロボットの構成空間を自由度（DOF）に基づいて部分空間に分解するスキームを提案し、複数の単純な分類器（例：SVM、KNN）を組み合わせた複合分類器を可能にすることで、衝突検出の精度を向上させている。この手法は、1つの分類器に依存する学習ベースのアプローチよりも精度と推論速度の両面で優れており、サンプリングベースの運動計画法（例：RRT）において、実際のマルチロボット植物表型評価システムで30%の高速化を達成した。

ABSTRACT

Motion planning for robots of high degrees-of-freedom (DOFs) is an important problem in robotics with sampling-based methods in configuration space C as one popular solution. Recently, machine learning methods have been introduced into sampling-based motion planning methods, which train a classifier to distinguish collision free subspace from in-collision subspace in C. In this paper, we propose a novel configuration space decomposition method and show two nice properties resulted from this decomposition. Using these two properties, we build a composite classifier that works compatibly with previous machine learning methods by using them as the elementary classifiers. Experimental results are presented, showing that our composite classifier outperforms state-of-the-art single classifier methods by a large margin. A real application of motion planning in a multi-robot system in plant phenotyping using three UR5 robotic arms is also presented.

研究の動機と目的

• 高自由度ロボットの運動計画における正確な衝突検査の高コストを軽減し、学習ベースの近似衝突検出を改善すること。
• 構成空間全体を1つのエンティティとして扱う単一の2値分類器の限界を克服し、複雑な環境下でも精度を向上させること。
• 既存の学習ベースの手法と互換性があり、空間的分解を通じて分類性能を向上させる複合分類器フレームワークを開発すること。
• 障害物の複雑さが増すシミュレーティブ環境と、実世界のマルチロボット植物表型評価システムの両方で、本手法の有効性を実証すること。

提案手法

• ロボットの自由度（DOFs）に基づいて、構成空間 $\mathcal{C}$ を複数の部分空間に分解し、局所的な分類が可能にする。
• 各分解された部分空間上で訓練された複数の基本分類器（例：SVM、KNN）を組み合わせることで、複合分類器 $F_{\text{comp}}$ を構築する。
• 分解の2つの重要な性質を活用する：(1) 部分空間はより線形分離可能であり、(2) 局所分類器はグローバル分類器よりも一般化性能に優れている。
• サンプリングベースの運動計画法（例：RRT）において、高速な近似衝突検査を実行するために複合分類器を用い、FCLのような高コストな正確な衝突検出器への依存を減らす。
• RRTフレームワークに複合分類器を統合し、明らかに衝突するか自由なサンプルを事前にフィルタリングすることで、正確なチェックの回数を最小限に抑える。
• 曖昧なサンプルについては最終的にFCLを用いて正確な衝突チェックを実施し、衝突セグメントが存在する場合は局所的なパス修復を実行する。

実験結果

リサーチクエスチョン

• RQ1 DOFに基づく構成空間の分解は、高自由度ロボットにおける学習ベースの衝突検出の精度を向上させることができるか？
• RQ2 DOFに基づく部分空間上で訓練された複数の基本分類器から構成される複合分類器は、複雑な環境下で単一分類器を上回る性能を示すか？
• RQ3 本手法は、正確な衝突検査および先行の学習ベースの手法と比較して、運動計画時間の短縮にどの程度寄与するか？
• RQ4 複合分類器は、アーキテクチャの変更なしに、既存のサンプリングベースの運動計画パイプラインに効果的に統合可能か？
• RQ5 本手法は、植物表型評価のような複雑な衝突制約を有する実世界のマルチロボットシステムでも、効果的に機能するか？

主な発見

• 複合分類器 $F_{SVM}$ は、実際のマルチロボット植物表型評価システムにおいて、平均的な運動計画時間を30%短縮し、1ラウンドあたり1.0秒から0.692秒に削減した。
• 障害物数が1から8に増加するシミュレーティブ環境において、複合分類器は単一分類器を著しく上回り、3秒の制限時間内での成功確率が高かった。
• 複合分類器は、FCLによる正確な衝突チェックの回数を削減することで、誤検出および見逃しを最小限に抑え、パス修復の回数も減少させた。
• Fastron、SVM、KNNといった個別の分類器と比較して、複合分類器は分類精度が高く、クエリ時間も短かった。
• 本手法は、OMPLのRRTのような既存のSBMPフレームワークとも互換性があり、コア計画パイプラインを変更せずに統合可能であった。
• 分解スキームにより、各基本分類器がより均質的かつ低次元の部分空間で動作するようになり、全体の堅牢性が向上した。