[논문 리뷰] Advanced BIT* (ABIT*): sampling-based planning with advanced graph-search techniques

Marlin P. Strub, Jonathan D. Gammell|arXiv (Cornell University)|2020. 02. 16.

Robotic Path Planning Algorithms참고 문헌 33인용 수 85

한 줄 요약

이 논문은 고도로 발전한 BIT* (ABIT*)를 소개한다. ABIT*는 임의의 그래프 탐색 기법(예: 팽창 및 잘라내기 탐색)과 동시에 작동하는 거의 확실하게 渐近적으로 최적인 샘플링 기반 근사치를 결합한 샘플링 기반 경로 계획 알고리즘이다. ABIT*는 R4 및 R8와 같은 고차원 공간에서 기존의 단일 쿼리 기반 계획자인 RRT*, RRT*, BIT*와 비교해 더 빠른 초도 해답 시간과 더 나은 최적화 수렴 성능을 보이며, 나사/제플린-캘tech Axel 우주선에서 현장 시험을 통해 실제 세계 성능을 입증하였다.

ABSTRACT

Path planning is an active area of research essential for many applications in robotics. Popular techniques include graph-based searches and sampling-based planners. These approaches are powerful but have limitations.This paper continues work to combine their strengths and mitigate their limitations using a unified planning paradigm. It does this by viewing the path planning problem as the two subproblems of search and approximation and using advanced graph-search techniques on a sampling-based approximation.This perspective leads to Advanced BIT*. ABIT* combines truncated anytime graph-based searches, such as ATD*, with anytime almost-surely asymptotically optimal sampling-based planners, such as RRT*. This allows it to quickly find initial solutions and then converge towards the optimum in an anytime manner. ABIT* outperforms existing single-query, sampling- based planners on the tested problems in ℝ4 and ℝ8, and was demonstrated on real-world problems with NASA/JPL-Caltech.

연구 동기 및 목표

• 기존의 샘플링 기반 계획자에서의 한계, 즉 무작위 탐색 순서와 anytime 성능 보장을 갖지 못하는 점을 해결하기 위해.
• 기존의 단일 쿼리 기반 거의 확실하게 渐近적으로 최적인 계획자들을 향상시키기 위해 고급 그래프 탐색 기법을 샘플링 기반 프레임워크에 통합하기 위해.
• 동적 팽창 및 잘라내기 전략을 통해 낭비되는 계산 자원을 피하면서도 최적 해답으로의 수렴 속도를 빠르게 하기 위해.
• R4 및 R8에서의 합성 문제와 실제 자율 주행 작업을 통해 접근 방법을 검증하기 위해.

제안 방법

• ABIT*는 경로 계획 문제를 두 개의 하위 문제로 분리한다: 근사치(점진적 샘플링을 통한)와 탐색(고급 그래프 탐색 기법을 통한).
• 사전에 이산화하지 않는 방식으로 점점 더 조밀한 무작위 기하 그래프(RGG)를 구성하기 위해 샘플링 기반 근사치를 사용한다.
• 탐색 단계에서는 ATD*와 같은 잘라낸 anytime 그래프 탐색 알고리즘을 적용하여 해답 품질 잠재력이 높은 상태를 우선순위로 정한다.
• 빠른 초도 해답을 얻기 위해 목표 향한 탐색을 편향시키기 위해 팽창된 휴리스틱을 사용하며, 충분한 해답 품질 기준에 도달하면 탐색을 잘라낸다.
• 단일 에지 큐를 유지하고 객체 지향 방식으로 충돌 검사를 완료한 에지를 캐시하여 구현을 단순화하고 중복 검사를 방지한다.
• 팽창 및 잘라내기 요소에 대한 유연한 업데이트 정책은 근사치 정확도에 따라 동적으로 적응 가능하게 하여 효율적인 탐색과 이용을 보장한다.

실험 결과

연구 질문

• RQ1 팽창 및 잘라내기와 같은 고급 그래프 탐색 기법이 샘플링 기반 계획에 효과적으로 통합될 수 있는가?
• RQ2 ABIT*에서 근사치와 탐색을 분리한 방식이 RRT*나 RRT-Connect와 같이 샘플링과 탐색을 결합한 방식보다 해답 품질과 수렴 속도를 어떻게 향상시키는가?
• RQ3 R8와 같은 고차원 공간에서 ABIT*가 기존의 단일 쿼리 기반 거의 확실하게 渐近적으로 최적인 계획자들보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 ABIT*는 최적화 수렴을 보장하면서도 낭비되는 계산 자원을 피하면서 더 빠른 초도 해답 시간을 달성할 수 있는가?
• RQ5 ABIT*는 복잡한 지형과 동적 제약 조건이 존재하는 실제 로봇 경로 계획 작업에서 어떻게 성능을 발휘하는가?

주요 결과

• ABIT*는 R4 및 R8 문제에서 RRT*, RRT-Connect, RRT#, LBT-RRT, BIT*보다 초도 해답 품질과 수렴 속도에서 뛰어난 성능을 보였다.
• 벽 틈새 문제와 무작위 직사각형 문제에서 ABIT*는 BIT* 및 기타 경쟁자들과 비교해 중앙값 초도 해답 비용이 현저히 낮았으며, 최적 해답으로의 수렴 속도도 더 빠르게 나타났다.
• R8에서의 무작위 직사각형 문제의 최선 및 최악의 경우에서 ABIT*는 뛰어난 성공률과 중앙값 해답 비용을 보였으며, LBT-RRT, RRT*, RRT#는 최악의 경우 성공률가 50% 미만이었다.
• ABIT*는 나사/제플린-캘tech Axel 우주선에서 Mojave 사막에서 진행된 일주일간의 현장 시험을 통해 실제 세계 적용 가능성도 입증하였다.
• 단순한 휴리스틱(영 팽창)을 사용할 경우에도 알고리즘이 휴리스틱 품질에 대해 매우 강건함을 보였다.
• 단일 에지 큐와 객체 지향적 에지 캐싱을 사용한 단순화된 아키텍처로 BIT*와 유사한 성능을 달성하면서도 계산 효율성을 손상시키지 않았다.