[論文レビュー] Motion planning in high-dimensional spaces

Luka Petrović|arXiv (Cornell University)|Jun 19, 2018

Robotic Path Planning Algorithms被引用数 3

ひとこと要約

この論文は、高次元の構成空間における運動計画について包括的な概説を提供し、グリッドベース、サンプリングベース、トラジェクトリ最適化手法を比較している。特に、滑らかで効率的かつ確率論的に整合性のある計画を実現するためのガウス過程を用いたトラジェクトリ最適化に焦点を当て、リアルタイムで局所最適性と滑らかな軌道を実現する高速で拡張性のあるフレームワークであるGPMP2を強調している。

ABSTRACT

Motion planning is a key tool that allows robots to navigate through an environment without collisions. The problem of robot motion planning has been studied in great detail over the last several decades, with researchers initially focusing on systems such as planar mobile robots and low degree-of-freedom (DOF) robotic arms. The increased use of high DOF robots that must perform tasks in real time in complex dynamic environments spurs the need for fast motion planning algorithms. In this overview, we discuss several types of strategies for motion planning in high dimensional spaces and dissect some of them, namely grid search based, sampling based and trajectory optimization based approaches. We compare them and outline their advantages and disadvantages, and finally, provide an insight into future research opportunities.

研究の動機と目的

• .
• 高次元空間における従来のグリッドベースおよびサンプリングベース手法の限界を分析すること。
• 複雑な環境におけるリアルタイム運動計画のスケーラブルな代替手法としてのトラジェクトリ最適化の探求。
• 滑らかさ、効率性、制約処理の観点から、ガウス過程に基づく運動計画（例：GPMP2）の性能と限界を評価すること。

提案手法

• .
• 連続時間軌道を、線形時変SDEに従う確率過程からのサンプルとして表すためにガウス過程（GP）を用いる。
• 要因グラフを用いた確率的推論として運動計画を定式化し、スパースな最小二乗最適化を効率的に行う。
• 滑らかさと最適性をエンコードする事前分布と、衝突回避をエンコードする尤度関数を用いる。
• 構造を活用するGP回帰を活用し、任意の時刻における軌道状態の評価をO(1)で行い、計算コストを低減する。
• 既存のSLAM最適化技術を統合し、運動計画問題を効率的に解く。

実験結果

リサーチクエスチョン

• RQ1 .
• RQ2 トラジェクトリ最適化は、滑らかさと実行可能性を維持しながら、高次元空間で高速でリアルタイムの運動計画をどのように達成できるか？
• RQ3 異なる運動計画パラダイムにおける完全性、最適性、計算効率の間のトレードオフは何か？
• RQ4 確率的推論と要因グラフは、どのように高次元運動計画問題を効率的に解けるか？
• RQ5 非線形不等式制約を扱う際のGPベース手法の限界は何か？
• RQ6 サンプリングベースまたはグリッドベース手法を用いて初期軌道を生成し、その後の最適化の収束を改善できるか？

主な発見

• .
• 特にGPMP2を含むトラジェクトリ最適化手法は、構造を活用するGP回帰を用いることで、任意の時刻点での軌道評価をO(1)で達成し、高速な計画を実現している。
• GPベースの運動計画は、GP事前分布のおかげで滑らかで連続的な軌道を本質的に提供し、後処理の必要がない。
• 要因グラフとスパースな最小二乗ソルバーを介した効率的推論が可能であり、SLAM分野の技術を活用している。
• GPMP2は拡張性が高く、スキル学習のデモからの学習や特異点回避を含む多様な問題に適用可能である。
• 主な制限は、非線形不等式制約を効果的に処理できないことであり、局所最適解に陥る可能性がある。
• 現在の手法は、大部分が安全であっても一時的に衝突領域に入ることで低コストの軌道を生成する可能性があり、より良いコスト関数設計の必要性を示している。