[論文レビュー] Newton methods for k-order Markov Constrained Motion Problems

Marc Toussaint|arXiv (Cornell University)|Jul 1, 2014

Computational Geometry and Mesh Generation被引用数 50

ひとこと要約

本稿では、k階マルコフ制約付き運動問題に特化したニュートン型手法を用いたロボット運動最適化フレームワークKOMOを提案する。運動最適化を制約付き二乗和問題として定式化することで、ジャコビアンの帯状構造を活用する特殊な行列パッケージングにより、ガウス・ニュートン法、増大ラグランジュ法、対数バリア法の効率的適用が可能となり、運動学的・動的制約を伴う複雑なロボット運動計画において高い計算効率を達成する。

ABSTRACT

This is a documentation of a framework for robot motion optimization that aims to draw on classical constrained optimization methods. With one exception the underlying algorithms are classical ones: Gauss-Newton (with adaptive step size and damping), Augmented Lagrangian, log-barrier, etc. The exception is a novel any-time version of the Augmented Lagrangian. The contribution of this framework is to frame motion optimization problems in a way that makes the application of these methods efficient, especially by defining a very general class of robot motion problems while at the same time introducing abstractions that directly reflect the API of the source code.

研究の動機と目的

• 複雑な運動学的・動的制約をサポートする一般的で効率的なロボット運動最適化フレームワークの開発。
• ガウス・ニュートン法、増大ラグランジュ法、対数バリア法などの古典的制約付き最適化手法を、高次元の軌道最適化問題に効果的に適用可能にする。
• 構造的行列表現を通じて計算効率を維持しつつ、運動計画問題を意味的・タスクレベルのインターフェースに抽象化する。
• 意味的タスクを数学的最適化形式にマップする明確なAPIにより、問題定義と最適化ソルバを分離する。
• 速度、加速度、ジャージャン（jerk）などの高階微分をk階マルコフ定式化により扱えるようにし、拡張性を確保する。

提案手法

• k階状態タプル（x_{t-k}, ..., x_t）上の制約付き二乗和問題として運動最適化を定式化し、動的制約とタスクコストの柔軟なモデリングを可能にする。
• 位相空間ではなく配置空間そのものに軌道を直接表現することで、最適化定式化の簡素化を図る。
• グローバルジャコビアンJの帯状構造を活用し、各行に（k+1)n個の非ゼロ要素のみを格納するためのロウシフト行列パッケージング表現を導入する。
• J^T JおよびJ^T xの効率的計算を可能にする特殊なアルゴリズムを採用し、ガウス・ニュートン法におけるヘッシアン近似を高速化する。
• 制約付き最適化における収束性とロバスト性を向上させる、新しい「いつでも利用可能（anytime）」版増大ラグランジュ法を採用する。
• 運動学的エンジンを抽象化することで、最適化のための問題定義と最適化の分離を実現し、カスタムタスクマップや制約タイプのモジュラー拡張を可能にする。

実験結果

リサーチクエスチョン

• RQ1 古典的ニュートン型最適化手法を、ロボティクス分野の高次元的k階マルコフ運動計画問題に効率的に適用する方法は何か？
• RQ2 軌道最適化におけるジャコビアン行列のどのような構造的性質を活用すれば、計算効率を向上させられるか？
• RQ3 高レベルの意味的タスク指定インターフェースを、低レベルの最適化ソルバから分離しつつ、効率性と表現力の両方を維持できるか？
• RQ4 共通の最適化パイプラインを用いて、不等式制約（例：衝突回避、関節制限）と等式制約（例：ターゲット到達）の両方を統合的にサポートできるか？
• RQ5 新たなタスクマップ、運動学的エンジン、最適化アルゴリズムの拡張性を実現するための設計抽象化とは何か？

主な発見

• ジャコビアンの帯状構造を活用することで、Tステップに対してO((k+1)nT)の計算コストとストレージコストに抑えることで、高い計算効率を達成する。
• ロウシフト行列パッケージング表現により、ガウス・ニュートン法やその他のニュートン型手法に不可欠なJ^T JおよびJ^T xの計算が効率的に行える。
• 新規の「いつでも利用可能」版増大ラグランジュ法により、収束性の向上と制約付き最適化における段階的進捗が可能になる。
• 運動学的エンジンの抽象化により、カスタムタスクマップのモジュラー統合が可能となり、衝突回避とタスク空間制御の両方をサポートする。
• k=2およびk=3の定式化により、加速度やジャージャン（jerk）のモデリングが可能となり、トルク最小化やジャージャン最小化が実現できる。
• 実験的評価により、最小限のチューニングで、衝突回避や正確なエンドエフェクタ位置決めを含む複雑な運動問題を効率的に解けることが示された。