[논문 리뷰] Fast Marching Trees: a Fast Marching Sampling-Based Method for Optimal Motion Planning in Many Dimensions - Extended Version.

Lucas Janson, Marco Pavone|arXiv (Cornell University)|2013. 06. 15.

Robotic Path Planning Algorithms참고 문헌 16인용 수 20

한 줄 요약

이 논문은 고차원 공간에서 빠르고 점근적으로 최적인 운동 계획을 가능하게 하는 샘플링 기반 운동 계획 알고리즘인 Fast Marching Trees (FMT*)를 소개한다. 이 알고리즘은 RRT의 효율성과 PRM*의 최적성의 장점을 결합하며, 확률적으로 샘플된 점들에 대해 게으른 동적 프ogramming 재귀를 사용하여 도착 비용 최적의 트리를 성장시킨다. FMT*는 고차원 공간에서 특히 미분 제약 조건이 존재할 경우 PRM*과 RRT*보다 점근적으로 최적성과 더 빠른 수렴성을 확보한다.

ABSTRACT

In this paper we present a novel probabilistic sampling-based motion planning algorithm called the Fast Marching Tree algorithm (FMT*). The algorithm is specifically aimed at solving complex motion planning problems in high-dimensional configuration spaces. This algorithm is proven to be asymptotically optimal and is shown to converge to an optimal solution faster than its state-of-the-art counterparts, chiefly, PRM* and RRT*. An additional advantage of FMT* is that it builds and maintains paths in a tree-like structure (especially useful for planning under differential constraints). The FMT* algorithm essentially performs a lazy dynamic programming recursion on a set of probabilistically-drawn samples to grow a tree of paths, which moves steadily outward in cost-to-come space. As such, this algorithm combines features of both single-query algorithms (chiefly RRT) and multiple-query algorithms (chiefly PRM), and is conceptually related to the Fast Marching Method for the solution of eikonal equations. As a departure from previous analysis approaches that are based on the notion of almost sure convergence, the FMT* algorithm is analyzed under the notion of convergence in probability: the extra mathematical flexibility of this approach allows for significant algorithmic advantages and is of independent interest. Numerical experiments over a range of dimensions and obstacle configurations confirm our theoretical and heuristic arguments by showing that FMT* returns substantially better solutions than either PRM* or RRT*.

연구 동기 및 목표

• 고차원 구성 공간에서 효율적이고 최적의 운동 계획 문제를 해결하기 위해.
• 단일 쿼리(RRT 유사)와 다중 쿼리(PRM 유사) 계획 전략의 장점을 융합한 방법을 개발하기 위해.
• 기존 최첨단 알고리즘인 PRM*과 RRT*보다 더 빠른 수렴성을 확보하면서 점근적으로 최적성을 달성하기 위해.
• 경로의 트리 구조를 유지함으로써 미분 제약 조건 하에서의 계획을 지원하기 위해.
• 수렴 확률 기반의 새로운 수렴 분석 프레임워크를 도입하여 더 큰 수학적 유연성을 제공하기 위해.

제안 방법

• FMT*는 도착 비용 공간에서 확률적으로 샘플된 점들에 대해 게으른 동적 프로그래밍 재귀를 사용하여 도착 비용 최적의 경로 트리를 점진적으로 성장시킨다.
• 알고리즘은 도착 비용 기반으로 노드를 확장함으로써 최적 경로 전파를 보장하는 트리 구조를 유지한다.
• 이국적 방정식을 해결하기 위한 빠른 마주침 방법(Fast Marching Method)의 개념적 프레임워크를 활용하여 비용 공간에서의 효율적 프런트 전파를 가능하게 한다.
• 비용 기반 우선순위를 적용한 샘플링 기반 탐색을 수행하여 트리 확장 중에 낮은 비용 경로를 우선적으로 고려한다.
• 수렴은 수렴 확률의 개념에 기반하여 분석되며, 이는 더 유연하고 강력한 이론적 보장을 가능하게 한다.
• 알고리즘은 효율성과 최적성을 동시에 확보하며, 점진적인 경로 정밀화와 비용 전파를 수행한다.

실험 결과

연구 질문

• RQ1 샘플링 기반 운동 계획 알고리즘이 고차원 공간에서 PRM*과 RRT*보다 더 빠른 수렴성을 확보하면서 점근적으로 최적성이 가능한가?
• RQ2 트리 기반 구조가 샘플링 기반 계획에서 미분 제약 조건과 최적 경로 전파를 효과적으로 지원하기 위해 어떻게 활용될 수 있는가?
• RQ3 수렴 확률을 사용할 경우 거의 확실한 수렴에 비해 샘플링 기반 운동 계획기 분석에서 어떤 이점을 제공하는가?
• RQ4 단일 쿼리와 다중 쿼리 계획 기능을 융합한 하이브리드 접근 방식이 기존 최첨단 방법을 초월할 수 있는가?
• RQ5 FMT*는 PRM*과 RRT*와 비교하여 다양한 차원과 장애물 구성에서 어떻게 성능을 발휘하는가?

주요 결과

• FMT*는 점근적으로 최적이며, 샘플 수가 증가함에 따라 진짜 최적 경로로 수렴함을 보장한다.
• 수치 실험을 통해 다수의 차원에서 FMT*가 PRM*과 RRT*보다 최적 해에 훨씬 더 빠르게 수렴하는 것으로 확인되었다.
• 특히 미분 제약 조건이 존재할 경우 고차원 구성 공간에서 뛰어난 성능을 발휘한다.
• 수렴 확률을 사용함으로써 더 유연하고 강력한 이론적 분석이 가능해졌으며, 더 강력한 알고리즘 보장을 이끌어냈다.
• 수치 결과는 FMT*가 경로 품질과 수렴 속도 측면에서 PRM*과 RRT*보다 훨씬 우수한 해를 제공함을 확인했다.
• FMT*의 트리 구조는 미분 제약 조건을 효과적으로 처리할 수 있게 하여, 복잡한 운동 계획 작업에 적합하다.