[論文レビュー] Predicting Sample Collision with Neural Networks

Minh Tuan Tran, Jory Denny+1 more|arXiv (Cornell University)|Jun 30, 2020

Robotic Path Planning Algorithms参考文献 30被引用数 5

ひとこと要約

本論文では、高価な衝突検出を置き換える二段階プロセスに依存する、サンプリングベースの運動計画を高速化するニューラルネットワークフレームワークを提案する。まず、コントラクト型オートエンコーダー（CAE）がロボットの作業空間を潜在空間に符号化し、次にマルチレイヤーパーセプトロン（MLP）が符号化された作業空間とロボットの状態を用いて、設定の有効性を予測する。この手法により、3次元作業空間では検証時間を最大50％短縮でき、未学習の環境に対しても良好に一般化され、信頼性を損なわず計算効率が著しく向上する。

ABSTRACT

Many state-of-art robotics applications require fast and efficient motion planning algorithms. Existing motion planning methods become less effective as the dimensionality of the robot and its workspace increases, especially the computational cost of collision detection routines. In this work, we present a framework to address the cost of expensive primitive operations in sampling-based motion planning. This framework determines the validity of a sample robot configuration through a novel combination of a Contractive AutoEncoder (CAE), which captures a occupancy grids representation of the robot's workspace, and a Multilayer Perceptron, which efficiently predicts the collision state of the robot from the CAE and the robot's configuration. We evaluate our framework on multiple planning problems with a variety of robots in 2D and 3D workspaces. The results show that (1) the framework is computationally efficient in all investigated problems, and (2) the framework generalizes well to new workspaces.

研究の動機と目的

• 高次元かつ混雑した環境において、サンプリングベースの運動計画における衝突検出の計算コストを低減すること。
• 各新しい環境に対して再トレーニングを行わずに、ロボット設定の有効性を予測できる一般化可能な手法を開発すること。
• 機械学習を運動計画のコアなサンプリングフェーズに統合し、確率的完全性を保持したまま効率を向上させること。
• 多様なロボットおよび複雑な2次元／3次元作業空間において、フレームワークの堅牢性とスケーラビリティを評価すること。
• 繰り返し行われる幾何的衝突チェックを置き換えることで、より高速で安定した運動計画を実現すること。

提案手法

• オフラインでトレーニングされたコントラクト型オートエンコーダー（CAE）が、ロボット作業空間の点群表現を、衝突検出に関連する構造的情報を保持する低次元の潜在空間に圧縮する。
• マルチレイヤーパーセプトロン（MLP）が、CAEで埋め込まれた作業空間とロボットの現在の設定に基づいて、設定が有効（衝突なし）かどうかを予測するようにトレーニングされる。
• オンライン動作時、CAEが新しい作業空間を潜在空間に符号化し、トレーニング済みのMLPが即座にサンプリングされた設定を有効または無効と分類する。
• 標準的なサンプリングベースの運動計画法（例：RRT、PRM）にこのフレームワークを適用し、それらのネイティブな衝突検出モジュールをニューラル予測システムに置き換える。
• 動的サンプリング戦略をサポートし、必要に応じて再サンプリングを許容することで、確率的完全性を維持する。
• 本手法は、狭い通路や混雑した環境を含む、複雑性の異なる2次元および3次元作業空間で評価される。

実験結果

リサーチクエスチョン

• RQ1 環境の学習済み潜在空間表現は、サンプリングベースの運動計画における設定検証の計算コストを低減できるか？
• RQ2 再トレーニングなしで、以前に見たことのない新しい作業空間に、このフレームワークはどの程度一般化できるか？
• RQ3 ニューラル予測フレームワークは、多様なロボットおよび環境設定において、運動計画アルゴリズムの速度と安定性をどの程度向上できるか？
• RQ4 従来の衝突検出ルーチンを置き換えるにあたり、確率的完全性は維持されるか？
• RQ5 既存のサンプリングベースの計画法に、コア構造を変更せずに効率的に統合できるか？

主な発見

• 3次元作業空間では、平均的なサンプル検証時間を最大50％短縮でき、OB（障害物が豊富な）環境では20％の改善が得られた。
• 3DC-9作業空間では、BSサンプラーにおいて0.015±0.005秒から0.008±0.003秒へ、OBサンプラーにおいて0.08±0.01秒から0.04±0.01秒へと平均検証時間が短縮された。
• 3次元作業空間において、OBでは合計クエリ実行時間が9％改善、Gでは10％改善されたが、BSにはほとんど影響がなく、BTではわずかに8％の遅延が生じた。これは、サンプル品質が低いためと推測される。
• フレームワークを用いることで、検証時間の標準偏差が低下し、性能の安定性と一貫性が向上した。
• 以前に符号化されていなかった環境に対しても、一貫した性能向上が示されたことから、本手法は新しい作業空間への一般化が良好であることが実証された。
• 予測が不確実な場合に再サンプリングを許容することで、確率的完全性が維持され、複雑で細い通路でも信頼性が保証された。