[논문 리뷰] New perspective on sampling-based motion planning via random geometric graphs

Kiril Solovey, Oren Salzman외 1명|arXiv (Cornell University)|2016. 02. 17.

Robotic Path Planning Algorithms참고 문헌 70인용 수 13

한 줄 요약

이 논문은 무작위 기하 그래프(RGGs)의 성질을 활용하여 샘플링 기반 운동 계획자 분석을 위한 로컬라이제이션-테세레이션 프레임워크를 제안한다. RGGs가 복잡한 장애물이 있는 공간에서도 연결성과 유한한 스트레치를 유지함을 증명함으로써, 근사적인 최근접 이웃 쿼리 기반 변형을 포함한 확률적 도로망(PRMs)에 대한 확률적 완전성 및 渐近적(근사) 최적성에 대한 더 단순하고 일반적인 증명이 가능해진다.

ABSTRACT

Roadmaps constructed by many sampling-based motion planners coincide, in the absence of obstacles, with standard models of random geometric graphs (RGGs). Those models have been studied for several decades and by now a rich body of literature exists analyzing various properties and types of RGGs. In their seminal work on optimal motion planning Karaman and Frazzoli (2011) conjectured that a sampling-based planner has a certain property if the underlying RGG has this property as well. In this paper we settle this conjecture and leverage it for the development of a general framework for the analysis of sampling-based planners. Our framework, which we call localization-tessellation, allows for easy transfer of arguments on RGGs from the free unit-hypercube to spaces punctured by obstacles, which are geometrically and topologically much more complex. We demonstrate its power by providing alternative and (arguably) simple proofs for probabilistic completeness and asymptotic (near-)optimality of probabilistic roadmaps (PRMs). Furthermore, we introduce several variants of PRMs, analyze them using our framework, and discuss the implications of the analysis.

연구 동기 및 목표

• 샘플링 기반 운동 계획자 분석을 위해 랜덤 기하 그래프(RGGs)와 연결하는 일반적인 프레임워크를 수립하기 위해.
• 카라만과 프라자올리의 추측을 해결하기 위해, 즉 계획자 성질이 기초가 되는 RGG 성질에 의해 유도된다는 것.
• PRMs 및 그 변형에 대한 확률적 완전성 및 渐近적(근사) 최적성 증명을 단순화하고 일반화하기 위해.
• 기하학적 및 위상수학적 추론을 통해 자유 공간에서의 RGG 성질을 장애물이 있는 구성공간으로 확장하기 위해.

제안 방법

• 로컬라이제이션-테세레이션 프레임워크를 도입하며, 이는 로컬라이제이션(작은 이웃 영역에서 RGG 분석)과 테세레이션(복잡한 도메인으로 성질 확장)으로 구성된다.
• 로컬라이제이션을 통해 RGG가 임의의 점 주변의 매우 작은 영역에서도 연결성과 유한한 스트레치와 같은 핵심 성질을 유지함을 보여준다.
• 테세레이션을 적용하기 위해 자유 공간을 작은 관리 가능한 영역으로 분할하고, 국소 RGG 성질이 전역적으로 확장됨을 증명한다.
• 기하확률과 체적 추정을 활용하여 큐브 경계 근처 영역의 적분을 유한하게 제한하며, 반경 적분과 구 체적 관계를 사용한다.
• 기존의 RGG 결과를 활용하기 위해, RGG가 어떤 성질(예: 연결성)을 가진다면, 해당 운동 계획자도 그 성질을 상속함을 보여준다.
• 무작위 연결 전략이나 근사적인 최근접 이웃 쿼리 기반의 PRM 변형을 분석하여, 적절한 샘플링 조건 하에서 이론적 보장을 유지함을 증명한다.

실험 결과

연구 질문

• RQ1 자유 공간에서의 랜덤 기하 그래프(RGGs) 성질을 장애물이 있는 구성공간에서의 RGGs로 확장할 수 있는가?
• RQ2 카라만과 프라자올리의 추측—즉, 샘플링 기반 계획자가 기초가 되는 RGG 성질을 상속한다는 것—은 참인가?
• RQ3 로컬라이제이션-테세레이션 프레임워크는 기존의 PRMs에 대한 확률적 완전성 및 渐近적(근사) 최적성 증명을 단순화하고 일반화할 수 있는가?
• RQ4 무작위 또는 근사 연결을 사용하는 PRM 변형은 여전히 확률적 완전성 및 渐近적 최적성을 유지하는가?
• RQ5 어떤 조건이 복잡한 장애물이 있는 공간에서 샘플링 기반 계획자가 생성한 도로망이 연결되어 있고 근사적으로 최적일 수 있도록 보장하는가?

주요 결과

• 로컬라이제이션-테세레이션 프레임워크는 RGG가 임의의 매우 작은 이웃 영역에서도 연결성과 유한한 스트레치를 유지함을 증명함으로써, 이 성질이 복잡한 도메인으로 확장됨을 보여준다.
• 이 프레임워크는 기존 연구에 비해 표준 PRMs에 대한 확률적 완전성 및 渐近적(근사) 최적성 증명을 더 단순하고 직관적으로 제공한다.
• 무작위 연결 전략이나 근사적인 최근접 이웃 쿼리 기반의 PRM 변형도 적절한 샘플링 조건 하에서는 여전히 확률적 완전성 및 渐近적(근사) 최적성을 달성한다.
• 분석 결과, 연결성 실패 확률이 무한으로 갈수록 0으로 수렴함을 보여주며, 이는 연결이 근사적으로 계산되더라도 샘플링 비율이 로그 성장 조건을 만족할 경우 표준 PRM이 여전히 강건함을 시사한다.
• 임의의 차원 $ d $ 에 대해, 샘플링 비율이 $ \tilde{\theta}(n) = \theta(\gamma \log n / n) $ 로 성장하고 $ \gamma > (d+1)^{1/d} \gamma^* $ 를 만족할 경우, $ n \to \infty $ 일 때 연결성 실패 확률은 0으로 수렴한다.
• 이 프레임워크는 장애물이 있는 영역이 국소적으로 RGG와 유사하게 행동함을 보여주며, 이를 통해 RGG 결과를 운동 계획에 전이할 수 있다. 이는 핵심 위상수학적 및 기하학적 성질을 유지함을 의미한다.