[論文レビュー] Neural Collision Clearance Estimator for Fast Robot Motion Planning.

J. Chase Kew, Brian Ichter+3 more|arXiv (Cornell University)|Oct 14, 2019

Robotic Path Planning Algorithms参考文献 23被引用数 9

ひとこと要約

本論文では、ロボットのポーズに対する障害物までの距離（クリアランス）を予測する深層ニューラルネットワーク、ClearanceNetを提案する。この手法により、運動計画における高速かつ並列な衝突検査が可能となり、CN-RRTに統合された結果、サンプリングベースの計画法の実行速度が最大51%向上し、経路効率も25%向上した。実世界のFetchロボットでも検証された。

ABSTRACT

Collision checking is a well known bottleneck in sampling-based motion planning due to its computational expense and the large number of checks required. To alleviate this bottleneck, we present a fast neural network collision checking heuristic, ClearanceNet, and incorporate it within a planning algorithm, ClearanceNet-RRT (CN-RRT). ClearanceNet takes as input a robot pose and the location of all obstacles in the workspace and learns to predict the clearance, i.e., distance to nearest obstacle. CN-RRT then efficiently computes a motion plan by leveraging three key features of ClearanceNet. First, as neural network inference is massively parallel, CN-RRT explores the space via a parallel RRT, which expands nodes in parallel, allowing for thousands of collision checks at once. Second, CN-RRT adaptively relaxes its clearance threshold for more difficult problems. Third, to repair errors, CN-RRT shifts states towards higher clearance through a gradient-based approach that uses the analytic gradient of ClearanceNet. Once a path is found, any errors are repaired via RRT over the misclassified sections, thus maintaining the theoretical guarantees of sampling-based motion planning. We evaluate the collision checking speed, planning speed, and motion plan efficiency in configuration spaces with up to 30 degrees of freedom. The collision checking achieves speedups of more than two orders of magnitude over traditional collision detection methods. Sampling-based planning over multiple robotic arms in new environment configurations achieves speedups of up to 51% over a baseline, with paths up to 25% more efficient. Experiments on a physical Fetch robot reaching into shelves in a cluttered environment confirm the feasibility of this method on real robots.

研究の動機と目的

• サンプリングベースの運動計画における伝統的な衝突検査の計算ボトル neck を解消すること。
• 高次元の配置空間における繰り返し衝突検査の高コストを低減すること。
• ごみだらけで動的な環境下でもリアルタイムかつスケーラブルな運動計画を可能にすること。
• 速度と効率を向上させつつも、サンプリングベースの計画法の理論的保証を維持すること。

提案手法

• ロボットのポーズと障害物の位置を入力として受け取り、最も近い障害物までのクリアランスを予測する深層ニューラルネットワークであるClearanceNetを訓練する。
• ClearanceNetをCN-RRT（並列RRTの変種）に統合し、GPU加速によるニューラル推論を用いて複数のノードを同時に展開する。
• 計画中にクリアランスのしきい値を動的に調整し、難易度の高い領域での探索を優先する。
• ClearanceNetの解析的勾配を用いて、勾配ベースのシフトにより状態を精緻化し、誤分類された構成を是正する。
• 残存する誤りは、標準的なRRTを用いて誤分類されたセグメントの再計画により修復し、理論的完全性を保つ。
• ニューラルネットワーク推論の並列性を活用して、数千件の衝突検査を同時に実行し、計画時間を著しく短縮する。

実験結果

リサーチクエスチョン

• RQ1 学習されたニューラルネットワークによるクリアランス予測は、サンプリングベースの運動計画における衝突検査を顕著に高速化できるか？
• RQ2 ニューラルクリアランス予測を用いた並列RRTは、ベースラインのサンプリングベース計画法と比較して、計画速度と経路品質の面で優れているか？
• RQ3 適応的クリアランスしきい値と勾配ベース補正は、計画のロバスト性と効率をどの程度向上できるか？
• RQ4 提案手法は、物理的ロボット上でリアルタイム性能を達成しつつも、サンプリングベース計画法の理論的保証を維持できるか？

主な発見

• ClearanceNetは、従来手法と比較して衝突検査の処理速度を2桁以上向上させた。
• CN-RRTは、マルチロボットアームのシナリオにおいて、ベースラインのサンプリングベース計画法と比較して計画時間を最大51%短縮した。
• CN-RRTが生成する運動計画は、高次元空間においてベースライン計画法と比較して最大25%の効率が向上した。
• 本手法は、実際のFetchロボットを用いてごみだらけの物理的環境でも経路計画と実行に成功し、実世界での実現可能性を示した。
• 勾配ベースの状態シフトは、誤分類された構成を効果的に是正し、計画アルゴリズムの理論的完全性を維持した。
• 並列展開、適応的しきい値、ニューラルクリアランス予測の組み合わせにより、複雑な環境下でのスケーラブルかつ効率的な運動計画が可能になった。