[論文レビュー] Generalized Lazy Search for Robot Motion Planning: Interleaving Search and Edge Evaluation via Event-based Toggles

Aditya Mandalika, Sanjiban Choudhury+2 more|arXiv (Cornell University)|Apr 4, 2019

Robotic Path Planning Algorithms被引用数 15

ひとこと要約

本稿では、頂点再接続とエッジ評価の計算負荷をバランスさせるためにイベント駆動のトグルを用いる、一般化された遅延探索（GLS）というフレームワークを紹介する。GLSは学習済みの事前知識に基づいてエッジ評価を知的にトリガーすることで、特に混雑した環境において、全体の計画時間の短縮を実現し、実験的状況で最大35%の高速化を達成している。

ABSTRACT

Lazy search algorithms can efficiently solve problems where edge evaluation is the bottleneck in computation, as is the case for robotic motion planning. The optimal algorithm in this class, LazySP, lazily restricts edge evaluation to only the shortest path. Doing so comes at the expense of search effort, i.e., LazySP must recompute the search tree every time an edge is found to be invalid. This becomes prohibitively expensive when dealing with large graphs or highly cluttered environments. Our key insight is the need to balance both edge evaluation and search effort to minimize the total planning time. Our contribution is two-fold. First, we propose a framework, Generalized Lazy Search (GLS), that seamlessly toggles between search and evaluation to prevent wasted efforts. We show that for a choice of toggle, GLS is provably more efficient than LazySP. Second, we leverage prior experience of edge probabilities to derive GLS policies that minimize expected planning time. We show that GLS equipped with such priors significantly outperforms competitive baselines for many simulated environments in R2, SE(2) and 7-DoF manipulation.

研究の動機と目的

• ロボット運動計画における既存の遅延探索アルゴリズムの非効率性、特に計画時間の大部分を占める過剰な頂点再接続やエッジ評価の問題を解決すること。
• 探索の負荷とエッジ評価の間で適応的かつ柔軟にトレードオフを可能にするフレームワークを構築し、合計計画時間を最小化すること。
• エッジ有効性確率の事前知識を活用して期待計画時間を最小化するGLSのポリシーを導出すること。
• 学習済みの事前知識を用いたGLSが、多様な運動計画ドメインにおいて最先端のベースラインを顕著に上回ることを実証すること。

提案手法

• GLSは2つの主要な構成要素を導入する：探索から評価に切り替えるための『イベント』と、最短部分経路上のどのエッジを評価するかを決定する『セレクタ』。
• フレームワークは遅延最短経路木を維持し、イベントの条件が満たされた場合にのみエッジを評価することで、探索木が一貫性を持ち最適性を保つことを保証する。
• 異なるイベントとセレクタの組み合わせにより、LazySP、LWA*、LRA* といった既存のアルゴリズムが再現可能であり、これにより既存手法の統一的分析が可能となる。
• エッジの事前確率を用いて期待計画時間を最小化する最適なイベントおよびセレクタのポリシーを理論的に導出し、LazySPに対する性能向上の理論的保証を得ている。
• 部分経路の最弱リンクをチェックするFailFastセレクタを採用することで、非合理的な経路の早期除外が可能となり、再接続のオーバーヘッドが低減される。
• 部分経路の存在に基づくイベントがエッジ的に最適であり、LazySPと比較して再接続回数が少ないことが、定理4.3で証明されている。

実験結果

リサーチクエスチョン

• RQ1 合計計画時間を最小化するために、探索の負荷とエッジ評価を動的にバランスさせる一般化された遅延探索フレームワークを設計できるか？
• RQ2 イベント駆動のトグルを用いることで、LazySPのような既存の遅延探索アルゴリズムを上回る、証明可能な優れた性能を達成できるか？
• RQ3 エッジ有効性の事前確率が利用可能な場合、最適なイベントとセレクタの選択ポリシーは何か？
• RQ4 学習済みの事前知識を用いたGLSは、高次元かつ混雑した環境において、競合するベースラインと比較して計画時間を顕著に短縮できるか？

主な発見

• SE(2)におけるピアノ・ムーバーズ問題において、SubpathExistenceイベントとFailFastセレクタを用いたGLSは、LazySPと比較して合計計画時間を最大35%短縮した。
• 7自由度の操作タスクでは、GLS（SubpathExistence, FailFast）の平均計画時間は1.64秒であり、LazySP（2.02秒）やLRA*（2.77秒）を上回った。
• SubpathExistenceイベントはエッジ的に最適であり、定理4.3で示されるように、LazySPよりも頂点再接続回数が少ないことが証明された。
• 高密度の障害物環境では、GLSの計画時間はグラフサイズの増加に伴い飽和するが、LazySPの時間は線形に増加するため、優れたスケーラビリティを示している。
• 複雑なシーンにおいて、FailFastセレクタはLazySPと比較して再接続時間の80%以上の低減を達成しており、エッジ評価コストの増加はわずかである。
• 図9および図10の可視化結果から、GLSはLazySPと比較して、再接続された頂点数（例：1回目の反復で1,235 vs. 12,495）と評価されたエッジ数（171 vs. 63）を著しく削減していることが確認された。