[論文レビュー] Coordinated Motion Planning Through Randomized k-Opt (CG Challenge)

Paul Liu, Jack Spalding-Jamieson+2 more|arXiv (Cornell University)|Jan 1, 2021

Teaching and Learning Programming被引用数 5

ひとこと要約

本論文は、CG:SHOP 2021 チャレンジにおける連携運動計画のための2段階手法を提示する。深さに基づく初期化と、ランダム化されたk-opt局所探索を組み合わせ、合計距離またはマケスパンを最小化する。この手法は深さ値を用いて、深さの高い順にロボットをルーティングし、その後、A*を用いた局所的探索を繰り返し実行することでk台のロボットの経路を再最適化する。合計距離のカテゴリーで1位、マケスパンのカテゴリーで3位を達成した。

ABSTRACT

This paper examines the approach taken by team gitastrophe in the CG:SHOP 2021 challenge. The challenge was to find a sequence of simultaneous moves of square robots between two given configurations that minimized either total distance travelled or makespan (total time). Our winning approach has two main components: an initialization phase that finds a good initial solution, and a k-opt local search phase which optimizes this solution. This led to a first place finish in the distance category and a third place finish in the makespan category.

研究の動機と目的

• 障害物のあるグリッド上の正方形ロボットの連携運動計画問題を解き、合計距離またはマケスパンを最小化すること。
• 指数的状態空間の増大を伴わずに、初期解を改善するスケーラブルで効果的な局所探索戦略を開発すること。
• パrameter化された局所的経路最適化を通じて、計算効率と解の品質のバランスを図ること。
• CG:SHOP 2021 チャレンジにおいて、合計距離（SUM）およびマケスパン（MAX）の両基準で高いパフォーマンスを達成すること。

提案手法

• 中間位置をロボットのバウンディングボックス外からBFSを用いて計算された深さ値に基づいて初期解を生成する。
• 干渉を避けるために、フィラー形状（例：正八角形、ダイヤモンド、長方形）を用いて中間位置を生成する。
• 開始位置から中間位置、その後中間位置からターゲットへのルーティングを、深さ値の降順に従い、干渉を回避するように実行する。
• ランダム化されたk-opt局所探索を適用：完了時間または近接度に基づいてk台のロボットを選択し、完了時間の降順に順番に個別に経路を再最適化する。
• A*を用い、マンハッタン距離または障害物を考慮したヒューリスティック関数を用い、初期経路の周囲に半径Rの境界付き探索領域を設定することで、状態空間を制限し、妥当性を保証する。
• 複数の初期化バリエーション（例：ランダム経路、開始・ターゲットの入れ替え）を用意し、最良のパフォーマンスを示したものを最適化に使用する。

実験結果

リサーチクエスチョン

• RQ1 指数的状態空間の増大を伴わずに、連携運動計画に適したスケーラブルな局所探索戦略をどのように設計できるか？
• RQ2 k台のロボットを選択する戦略として、経路品質の向上に最も効果的なものは何か？
• RQ3 パrameter k（最適化対象のロボット数）とR（探索半径）が収束性および解の品質に与える影響は何か？
• RQ4 深さに基づくルーティングと中間位置の導入により、複雑なインスタンスにおいても実行可能で高品質な初期解を得られるか？
• RQ5 インスタンスの密度およびサイズの変化に伴い、本手法のパフォーマンスはどのように変化するか？

主な発見

• 本手法は、CG:SHOP 2021 チャレンジにおいて合計距離（SUM）カテゴリーで1位、マケスパン（MAX）カテゴリーで3位を達成した。
• k=7、R=20で最良のパフォーマンスと実行時間のバランスが得られ、多数のインスタンスで最適であった。
• k > 10 ではさらなる改善が得られず、実行時間が増加するため、効果の逓減が確認された。
• 探索半径R=20は、解の品質と計算コストの両面で経験的に最適であった。
• 高密度インスタンスではパフォーマンスが低下したが、これは下界の近似が弱くなり、局所最適解からの脱出が難しくなったことが原因とされる。
• 深さに基づくルーティング戦略により、再ルーティング時に高い深さのロボットが低い深さのロボットを遮断しないことが保証された。