[論文レビュー] Monte Carlo Motion Planning for Robot Trajectory Optimization Under Uncertainty

Lucas Janson, Edward Schmerling+1 more|arXiv (Cornell University)|Apr 30, 2015

Robotic Path Planning Algorithms参考文献 24被引用数 5

ひとこと要約

本稿では、不確実性下での経路衝突確率を正確に推定するために分散低減サンプリングを用いるモンテカルロベースの運動計画フレームワーク、MCMPを提案する。制御変数と重要度サンプリングを組み合わせ、決定的プランナ（FMT*）と統合することで、不確実性下でもリアルタイムで正確かつ非過剰な軌道最適化を実現し、誤差境界が保証された低コストで実行可能な経路を達成する。

ABSTRACT

This article presents a novel approach, named MCMP (Monte Carlo Motion Planning), to the problem of motion planning under uncertainty, i.e., to the problem of computing a low-cost path that fulfills probabilistic collision avoidance constraints. MCMP estimates the collision probability (CP) of a given path by sampling via Monte Carlo the execution of a reference tracking controller (in this paper we consider LQG). The key algorithmic contribution of this paper is the design of statistical variance-reduction techniques, namely control variates and importance sampling, to make such a sampling procedure amenable to real-time implementation. MCMP applies this CP estimation procedure to motion planning by iteratively (i) computing an (approximately) optimal path for the deterministic version of the problem (here, using the FMT* algorithm), (ii) computing the CP of this path, and (iii) inflating or deflating the obstacles by a common factor depending on whether the CP is higher or lower than a target value. The advantages of MCMP are threefold: (i) asymptotic correctness of CP estimation, as opposed to most current approximations, which, as shown in this paper, can be off by large multiples and hinder the computation of feasible plans; (ii) speed and parallelizability, and (iii) generality, i.e., the approach is applicable to virtually any planning problem provided that a path tracking controller and a notion of distance to obstacles in the configuration space are available. Numerical results illustrate the correctness (in terms of feasibility), efficiency (in terms of path cost), and computational speed of MCMP.

研究の動機と目的

• 経路衝突確率（CP）の近似に依存する従来の運動計画手法の限界に対処すること。これらの近似は著しく不正確であり、実行不能または過剰に慎重な計画を引き起こす可能性がある。
• システムのダイナミクスと障害物の幾何形状に不確実性が存在する環境において、経路CPを計算的に効率的かつ正確に推定する手法を開発すること。
• 統計的分散低減を用いて、CP推定のためのモンテカルロサンプリングを高速かつ並列化可能にすることで、リアルタイムの運動計画を可能にすること。
• 任意のロボットシステムに適用可能な汎用フレームワークを提供すること。ただし、参照追従コントローラと明確に定義された配置空間距離尺度を持つことが前提である。
• CP推定に標準誤差を併記することで、推定の信頼性をユーザーが評価可能にする。これは、多くの先行近似手法とは異なり、誤差の保証が可能である。

提案手法

• LQG追従コントローラの実行をモンテカルロサンプリングにより推定し、多数の確率的軌道シミュレーションを用いて経路衝突確率（CP）を推定する。
• 計画問題に特化した制御変数を適用し、CP推定の分散を低減することで収束速度と精度を向上させる。
• 状態空間の高影響領域に向けたサンプリング分布のシフトを実現する重要度サンプリングを採用し、バイアスを生じさせることなく分散をさらに低減する。
• 推定CPが目標しきい値を超えるかどうかに応じて障害物の膨張を繰り返し調整するメタアルゴリズムにCP推定器を統合する。
• 各反復でFMT*アルゴリズムを用いて決定的経路最適化を実行し、低コストの経路生成を保証する。
• 特に尤度比計算の並列化を可能にすることで、マルチコアまたはGPUアーキテクチャ上で実行時間を大幅に短縮する。

実験結果

リサーチクエスチョン

• RQ1 分散低減技術を用いたモンテカルロサンプリングは、不確実性下でのロボット運動計画における経路衝突確率の正確かつ保証付き推定を可能にするか？
• RQ2 提案されたMCMPフレームワークは、従来の近似ベース手法と比較してCP推定の精度と計算効率において優れているか？
• RQ3 制御変数や重要度サンプリングといった分散低減技術を用いることで、モンテカルロCP推定がリアルタイム運動計画に適しているとまでは言えるか？
• RQ4 本研究で用いられたガウス分布仮定を超えたさまざまなロボットシステムや不確実性モデルへ、このフレームワークを一般化できるか？
• RQ5 CP推定に標準誤差を含めることで、近似手法が提供する点推定と比較して意思決定がどのように向上するか？

主な発見

• MCMPは、多くの既存の近似手法とは異なり、漸近的に正しいCP推定を達成する。これらの近似手法は大きく誤差を含むことがあり、実行不能または過剰に慎重な計画を引き起こす。
• 2～6次元の状態空間問題において、MCMPはリアルタイムで動作し、オフラインキャッシュを除いて合計5～10秒で完了する。オンライン計画の実現可能性を示している。
• 数万件のモンテカルロサンプルでさえも、分散低減推定器は信頼性の高いCP推定と関連する標準誤差を提供するが、近似手法では誤差の保証が一切ない。
• 本研究で用いられた条件付き乗法的近似スキームは真のCP値の2倍以内に収まるが、支配的誤差要因に応じて過小または過大に推定される可能性がある。これにより、保証付き推定の必要性が強調される。
• モンテカルロサンプリングの計算コストは、経路計画自体と同等であり、特に並列化された場合にMC部が実行時間の主要因にならないことを示している。
• フレームワークは非常に並列化可能であり、主な計算コストである尤度比計算はGPU加速に非常に適しており、実際の応用で顕著な高速化が達成できる。