[論文レビュー] Machine Learning Based Path Planning for Improved Rover Navigation (Pre-Print Version)

Neil Abcouwer, Shreyansh Daftry+7 more|arXiv (Cornell University)|Nov 11, 2020

Robotic Path Planning Algorithms参考文献 9被引用数 4

ひとこと要約

本論文は、火星探査車のナビゲーションに使用されるNASAの拡張型自動ナビゲーション（ENav）システムにおける経路計画の効率を向上させるために、2つの機械学習手法と手作業で設計されたヒューリスティクスを提案する。計算コストの高いACE安全確認を実行する前段階で地形走破コストを推定することで、ACEの評価回数を最大70％まで削減し、平均的な計算時間を短縮するとともに、安全性を損なわず経路効率と成功確率を向上させた。

ABSTRACT

Enhanced AutoNav (ENav), the baseline surface navigation software for NASA's Perseverance rover, sorts a list of candidate paths for the rover to traverse, then uses the Approximate Clearance Evaluation (ACE) algorithm to evaluate whether the most highly ranked paths are safe. ACE is crucial for maintaining the safety of the rover, but is computationally expensive. If the most promising candidates in the list of paths are all found to be infeasible, ENav must continue to search the list and run time-consuming ACE evaluations until a feasible path is found. In this paper, we present two heuristics that, given a terrain heightmap around the rover, produce cost estimates that more effectively rank the candidate paths before ACE evaluation. The first heuristic uses Sobel operators and convolution to incorporate the cost of traversing high-gradient terrain. The second heuristic uses a machine learning (ML) model to predict areas that will be deemed untraversable by ACE. We used physics simulations to collect training data for the ML model and to run Monte Carlo trials to quantify navigation performance across a variety of terrains with various slopes and rock distributions. Compared to ENav's baseline performance, integrating the heuristics can lead to a significant reduction in ACE evaluations and average computation time per planning cycle, increase path efficiency, and maintain or improve the rate of successful traverses. This strategy of targeting specific bottlenecks with ML while maintaining the original ACE safety checks provides an example of how ML can be infused into planetary science missions and other safety-critical software.

研究の動機と目的

• ENavシステムにおける近似クリアランス評価（ACE）アルゴリズムの高い計算コストを軽減し、ローバーの安全性を評価する候補経路を検証すること。
• ACE評価に費やす計算量を減らすために、評価前に候補経路の順位付けを改善すること。
• 手作業で設計された勾配畳み込みヒューリスティクスと、学習された機械学習モデルを導入し、ACEの結果をより効果的に予測すること。
• 最終的な経路が元のACE検証を通過することを保証することで、安全性を維持すること。
• ヒューリスティクス統合が、多様な火星の地形において経路効率の向上、計算時間の短縮、成功確率の向上に寄与することを実証すること。

提案手法

• 地形の高さマップにSobel演算子と2次元畳み込みを適用し、勾配に基づく走破コスト推定値を計算することで、勾配が小さい安全な領域に向かって経路選択を誘導する。
• シミュレートされた地形データとそれに対応するACEの結果を用いて、機械学習分類器を学習させ、ACEによって安全と判定されるかどうかを予測する。
• 両方のヒューリスティクスをENavの経路順位付けパイプラインに統合し、ACE評価の前段階でベースライン順位付けを置き換えたり強化したりする。
• さまざまな勾配と岩の分布を有する合成火星地形を用いたモンテカルロシミュレーションを実施し、性能を評価する。
• 探索と効率のバランスを取るために、広範囲または深さのある経路木を探索する際の計算負荷を管理するためのプルーニング戦略を適用する。
• 最終的な経路が、ヒューリスティクス順位付けによって探索されたとしても、元のACEアルゴリズムによる検証が保証されることを維持する。

実験結果

リサーチクエスチョン

• RQ1 地形の勾配に基づく手作業で設計されたヒューリスティクスは、ローバーのナビゲーションにおいて経路順位付けを改善し、ACE評価回数を削減できるか？
• RQ2 シミュレートされたACE結果を学習データとして用いた機械学習モデルは、ベースライン順位付けよりも精度の高い経路の可能性予測が可能で、不必要なACE評価を減らせるか？
• RQ3 ヒューリスティクスに基づく順位付けは、複雑な地形において計算時間の短縮と経路効率の向上を図れるが、成功確率に悪影響を及げない程度にどの程度まで効果を発揮できるか？
• RQ4 広範囲または深さのある経路木を探索する際、ヒューリスティクスの統合はENavの性能にどのような影響を与えるか？
• RQ5 ヒューリスティクス順位付けとACE検証の組み合わせは、計算オーバーヘッドを顕著に削減しつつも、安全性を維持または向上させられるか？

主な発見

• 機械学習によるヒューリスティクスは、ベースラインENavシステムと比較してACE評価回数を最大70％まで削減し、1回の計画サイクルあたりの平均計算時間を顕著に短縮した。
• 複雑な地形において経路効率が著しく向上した。ヒューリスティクスが、スリップが発生した際にしばしば失敗する細い高リスク経路からローバーを避けたためである。
• 広い経路木を用いた実験では、学習済みヒューリスティクスを用いることで、ベースラインに比べ20％の成功確率向上が達成され、経路効率が向上し、過剰な検討（overthinking）も減少した。
• 手作業で設計された勾配畳み込みヒューリスティクスもベースラインを上回り、ACE評価回数と計算時間を削減したが、機械学習モデルほど効果的ではなかった。
• 深さ9メートルの経路木を用いた場合、性能が著しく低下した（成功率が59.9％に低下）。これは、より良いプルーニング戦略がなければ、延長された計画範囲は有益でない可能性を示唆している。
• 結果から、機械学習を安全を重視するシステムに安全に統合できることが示された。具体的には、最終的な安全性意思決定には確認済みのアルゴリズム（ACE）を用い、機械学習は順位付けの目的に限定して使用することで実現できる。