[論文レビュー] Incremental Sampling-based Algorithms for Optimal Motion Planning

Sertaç Karaman, Emilio Frazzoli|arXiv (Cornell University)|May 3, 2010

Machine Learning and Algorithms被引用数 4

ひとこと要約

この論文では、リワーキング機構を備えたRapidly-exploring Random Tree (RRT) を拡張することで、サンプル数を増やすにつれて最適経路コストに漸近的に収束する、漸近的最適性を達成するインクリメンタルなサンプリングベースの運動計画法 RRT∗ を提案する。標準的な RRT とは異なり、部分最適解に収束するのではなく、木構造を維持しながら真の最適解に収束する。計算量の漸近的複雑度は、RRT と定数倍の範囲内に保たれる。

ABSTRACT

During the last decade, incremental sampling-based motion planning algorithms, such as the Rapidly-exploring Random Trees (RRTs) have been shown to work well in practice and to possess theoretical guarantees such as probabilistic completeness. However, no theoretical bounds on the quality of the solution obtained by these algorithms have been established so far. The first contribution of this paper is a negative result: it is proven that, under mild technical conditions, the cost of the best path in the RRT converges almost surely to a non-optimal value. Second, a new algorithm is considered, called the Rapidly-exploring Random Graph (RRG), and it is shown that the cost of the best path in the RRG converges to the optimum almost surely. Third, a tree version of RRG is introduced, called the RRT$^*$ algorithm, which preserves the asymptotic optimality of RRG while maintaining a tree structure like RRT. The analysis of the new algorithms hinges on novel connections between sampling-based motion planning algorithms and the theory of random geometric graphs. In terms of computational complexity, it is shown that the number of simple operations required by both the RRG and RRT$^*$ algorithms is asymptotically within a constant factor of that required by RRT.

研究の動機と目的

• RRT のようなインクリメンタルなサンプリングベースの運動計画法における解の品質に関する理論的境界の欠如を解決すること。
• 標準的な RRT が穏やかな条件下でほとんど確実に非最適解に収束することを証明すること。
• グラフ構造を維持することで漸近的最適性を保証する新しいアルゴリズム RRG を開発すること。
• RRG の最適性を継承しつつ、実用的な用途に適した RRT の木構造を保つ木ベースの変種 RRT∗ を設計すること。
• RRT∗ および RRG の計算量が、RRT と漸近的に定数倍の範囲内にあることを確立すること。

提案手法

• 新しいサンプルを近接する頂点に接続し、経路コストを改善するためにエッジを再接続する仕組みを備えた、インクリメンタルにグラフを構築する Rapidly-exploring Random Graph (RRG) アルゴリズムを提案する。
• 新しい頂点を木内の最近傍ノードに接続し、より低いコストの経路が見つかった場合に既存のエッジを再接続する、RRG の木構造バージョンである RRT∗ アルゴリズムを導入する。
• ランダム幾何グラフ理論のツールを用いて RRG および RRT∗ の収束特性を分析し、最適経路コストにほとんど確実に収束することを確立する。
• RRT∗ において、新しいサンプルを親ノードに接続することで子孫ノードのコスト・トゥ・ゴールが改善されるかをチェックする確率的再接続メカニズムを適用する。
• 1イテレーションあたりの再接続回数の期待値が有界であることを証明し、再接続に起因する計算オーバーヘッドが漸近的に RRT と定数倍の範囲内に保たれることを保証する。
• 障害物密度や次元数が異なる環境において RRT、RRG、RRT∗ を比較する、広範なシミュレーションを通じて理論的主張を検証する。

実験結果

リサーチクエスチョン

• RQ1 サンプル数を増やすにつれて、標準的な RRT アルゴリズムは最適解に収束するか？
• RQ2 木構造を維持しつつ、漸近的最適性を達成するようなサンプリングベースのアルゴリズムを設計できるか？
• RQ3 漸近的最適なサンプリングベースの計画法の計算量は、RRT と比べてどの程度か？
• RQ4 ランダム幾何グラフの理論的性質を活用して、最適経路コストへの収束を証明できるか？
• RQ5 RRT∗ は、RRT や RRG と比べて経路品質および実行時間の面でどのように性能を発揮するか？

主な発見

• 標準的な RRT アルゴリズムは、穏やかな技術的条件のもとで、ほとんど確実に非最適解に収束する。これは RRT の根本的な限界を示している。
• RRG アルゴリズムは漸近的最適性を達成する。すなわち、サンプル数を増やすにつれて、グラフ内での最良経路のコストがほとんど確実に最適コストに収束する。
• RRT∗ アルゴリズムは RRG の漸近的最適性を継承しつつ、木構造を維持するため、リアルタイムおよびオンライン計画用途に適している。
• RRT∗ の計算量は、RRT と漸近的に定数倍の範囲内に保たれる。これは、再接続に起因するオーバーヘッドが有界であり、スケーラブルであることを意味する。
• シミュレーションの結果、RRT∗ は RRT よりも顕著に低い経路コストを達成している（例：14.51 対 21.02）。実行時間比は同等に保たれている。
• RRT∗ では、試行回数を重ねるにつれて経路コストの分散が減少し、最適解への安定した収束が示された。