[논문 리뷰] Edge N-Level Sparse Visibility Graphs: Fast Optimal Any-Angle Pathfinding Using Hierarchical Taut Paths

Shunhao Oh, Wai Yie Leong|arXiv (Cornell University)|2017. 02. 06.

Data Management and Algorithms인용 수 7

한 줄 요약

이 논문은 계층적이고 사전 처리된 경로 탐색 방법인 엣지 N-레벨 희박 시야 그래프(ENLSVGs)를 소개한다. 이는 여러 수준에서 비타이트 경로를 잘라내어 최적의 임의 각도 경로 탐색을 가속화한다. 선형 시야 스캔을 통해 빠른 시야 계산을 하고, 타이트함 기반 반복적 엣지 제거를 통해 ENLSVGs는 기존의 시야 그래프와 Θ*보다 수 개의 주기 차이로 빠른 성능 향상을 이룬다. 특히 큰 구조적 지도에서 두드러진다.

ABSTRACT

In the Any-Angle Pathfinding problem, the goal is to find the shortest path between a pair of vertices on a uniform square grid, that is not constrained to any fixed number of possible directions over the grid. Visibility Graphs are a known optimal algorithm for solving the problem with the use of pre-processing. However, Visibility Graphs are known to perform poorly in terms of running time, especially on large, complex maps. In this paper, we introduce two improvements over the Visibility Graph Algorithm to compute optimal paths. Sparse Visibility Graphs (SVGs) are constructed by pruning unnecessary edges from the original Visibility Graph. Edge N-Level Sparse Visibility Graphs (ENLSVGs) is a hierarchical SVG built by iteratively pruning non-taut paths. We also introduce Line-of-Sight Scans, a faster algorithm for building Visibility Graphs over a grid. SVGs run much faster than Visibility Graphs by reducing the average vertex degree. ENLSVGs, a hierarchical algorithm, improves this further, especially on larger maps. On large maps, with the use of pre-processing, these algorithms are orders of magnitude faster than existing algorithms like Visibility Graphs and Theta*.

연구 동기 및 목표

• 큰 복잡한 지도에서 최적의 임의 각도 경로 탐색을 위한 시야 그래프의 높은 계산 비용을 해결한다.
• 타이트한 경로에서 사용되지 않는 엣지를 제거하여 시야 그래프의 탐색 공간을 줄인다.
• 타이트함 기반으로 엣지를 수준에 따라 정렬한 계층적 구조(ENLSVG)를 개발하여 탐색 속도를 더욱 향상시킨다.
• 쌍방향 선형 시야 검사 대신 선형 시야 스캔을 사용하여 시야 계산의 효율성을 높인다.
• 기존 최적 알고리즘인 Θ*와 시야 그래프보다 빠른 성능 향상을 이끌어내면서도 경로의 최적성을 유지한다.

제안 방법

• 전체 시야 그래프에서 비타이트 엣지를 제거하여 희박한 시야 그래프(SVGs)를 구성함으로써 정점의 차수와 탐색 공간을 감소시킨다.
• 다중 계층적 수준에서 비타이트 경로를 반복적으로 잘라내어 엣지 N-레벨 희박 시야 그래프(ENLSVGs)를 구축한다.
• 그래프 구축 중에 비용이 많이 드는 쌍방향 선형 시야 검사를 대체하기 위해 선형 시야 스캔을 사용하여 정점의 시야가 가능한 이웃을 효율적으로 계산한다.
• 타이트 A*를 경로 탐색에 적용하여, 부모-u-v로 구성된 타이트 부분 경로를 형성하는 후속 정점들만 고려함으로써 局소 최적성과 탐색 공간 감소를 보장한다.
• 삽입(시작/목표 연결), 마킹(엣지 수준 할당), 탐색(A*를 통한 계층적 그래프 탐색)의 세 단계로 구성된 ENLSVG 파이프라인을 도입한다.
• 지도의 구조적 특성을 활용하여 성능을 최적화하며, 삽입 시간은 개방된 공간의 폭에 따라, 탐색 시간은 지도의 복잡성에 따라 달라진다.

실험 결과

연구 질문

• RQ1 시야 그래프에서 비타이트 경로를 잘라내는 것이 탐색 공간을 크게 줄이고 경로 탐색 성능을 향상시킬 수 있는가?
• RQ2 기존 알고리즘인 N-레벨 서브목표 그래프와 비교했을 때, 엣지 수준에서의 잘라내기 기반 계층적 구조(ENLSVGs)는 정점 수준에서의 잘라내기와 어떤 차이가 있는가?
• RQ3 선형 시야 스캔이 전통적인 선형 시야 검사를 얼마나 효과적으로 대체하여 시야 그래프 구축 속도를 향상시킬 수 있는가?
• RQ4 대규모 구조적 지도에서 ENLSVGs는 Θ*와 시야 그래프보다 얼마나 더 빠른 성능 향상을 보이는가?
• RQ5 사전 처리나 대체 탐색 전략을 통해 ENLSVG의 마킹 및 삽입 단계를 최적화하거나 제거할 수 있는가?

주요 결과

• ENLSVGs는 큰 지도(예: 10000×10000 격자)에서 시야 그래프와 Θ*보다 수 개의 주기 차이로 빠른 성능 향상을 보이며, 특히 타일 기반 및 생성된 지도에서 두드러진다.
• 선형 시야 스캔은 특히 볼록 모서리 밀도가 높고 시야 범위가 짧은 랜덤 지도에서 구축 시간을 크게 감소시킨다.
• SVGs는 평균 정점 차수를 줄여 표준 시야 그래프보다 우수한 성능을 보이며, 초기 그래프 구축 단계를 넘어서도 구축 시간 향상 효과가 있다.
• 확대된 지도에서는 넓은 개방 공간으로 인해 삽입 및 마킹 단계가 병목 현상이 되며, 타일 기반 지도에서는 탐색 시간이 지배적이므로 지도의 구조적 특성이 매우 중요하다.
• 모든 지도 유형에서 ENLSVGs는 SVGs보다 탐색 시간에서 뛰어난 성능을 보이며, 복잡한 지도에서 계층적 잘라내기의 이점을 입증한다.
• 매우 큰 격자(예: 10000×10000)에서 메모리 제약이 존재하더라도 ENLSVGs는 실시간 성능을 달성하여 강력한 확장 가능성 잠재력을 보여준다.