[論文レビュー] Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks

Chenning Yu, Sicun Gao|arXiv (Cornell University)|Oct 17, 2022

Software Testing and Debugging Techniques被引用数 23

ひとこと要約

本論文は、乱数幾何グラフ上で訓練された2つのGraph Neural Networkコンポーネント（path explorerとpath smoother）を導入し、サンプリングベースのモーションプランニングにおける衝突チェックを削減する。これにより、2D から 14D のタスクにおいて確率的完備性を維持しつつ、効率を向上させる。

ABSTRACT

Sampling-based motion planning is a popular approach in robotics for finding paths in continuous configuration spaces. Checking collision with obstacles is the major computational bottleneck in this process. We propose new learning-based methods for reducing collision checking to accelerate motion planning by training graph neural networks (GNNs) that perform path exploration and path smoothing. Given random geometric graphs (RGGs) generated from batch sampling, the path exploration component iteratively predicts collision-free edges to prioritize their exploration. The path smoothing component then optimizes paths obtained from the exploration stage. The methods benefit from the ability of GNNs of capturing geometric patterns from RGGs through batch sampling and generalize better to unseen environments. Experimental results show that the learned components can significantly reduce collision checking and improve overall planning efficiency in challenging high-dimensional motion planning tasks.

研究の動機と目的

• サンプリングベースのモーションプランニングにおける衝突チェックのボトルネックを動機付け、対処する。
• バッチサンプリングとグラフ表現を活用して探索とパスの滑らかさを加速する学習ベースのコンポーネントを提案する。
• 多様な環境と次元をまたぐ中で、GNNベースの手法が衝突チェックを削減しつつ高い成功率を維持することを示す。
• 見知らぬ環境へのGNNベースの衝突削減の一般化能力を示す。

提案手法

• 自由空間から乱数幾何グラフ（RGGs）を作成するためにサンプルのバッチを形成する。
• 探索の衝突非発生エッジを優先するGNNベースのpath explorerを開発する。
• 探索済みのパスを局所的に改善・短縮するGNNベースのpath smootherを開発する。
• 頂点を構成データと障害物情報でエンコードする。可変の障害物数にはアテンションを用いる。
• GNNで最大集約と残差接続を用いる。出力はエッジ優先度と洗練されたパス。
• 探索エリア内のオラクルパスを模倣してExplorerを訓練する。滑らか化オラクルを模倣してSmootherを訓練する。

実験結果

リサーチクエスチョン

• RQ1 GNNはバッチサンプルされたグラフにおいて探索エッジを優先付けて、不要な衝突チェックを減らすことを学習できるか？
• RQ2 GNNベースのpath smootherは衝突リスクを増やさずにより短く実行可能なパスを生み出せるか？
• RQ3 GNNベースのコンポーネントは高次元・未知の環境へ一般化しても、確率的完備性を損なわずに機能するか？
• RQ4 成功率、衝突チェック、計画時間の点で、GNNベースのアプローチは最先端の計画手法とどう比較されるか？

主な発見

• GNNベースの explorer と smoother は、2D から 14D に至る環境で衝突チェックを大幅に削減する。
• このアプローチは、手動設計のヒューリスティクスや NEXT と同等の高い成功率を、特に高次元で衝突チェックをはるかに少なくして達成する。
• 障害物情報を組み合わせたとき、GNNを用いたパス滑らかさはより短いパスを生む。
• 衝突チェックのオーバーヘッドが軽減されるため、計画時間は古典的方法と競争力を保つ。
• 一般化実験は、接続性の変動をGNNが扱えることを示し、学習ベースのいくつかのベースラインが苦戦する場所でも有効である。