[논문 리뷰] Parallelised Diffeomorphic Sampling-based Motion Planning

Tin Lai, Weiming Zhi외 2명|arXiv (Cornell University)|2021. 08. 26.

Robotic Path Planning Algorithms참고 문헌 28인용 수 4

한 줄 요약

이 논문은 RRT와 같은 샘플 기반 운동 계획기에서 샘플 분포를 형태 전환시키는 데 기울기 기반 미분형 변환을 사용하는 Parallelised Diffeomorphic Sampling-based Motion Planning (PDMP) 프레임워크를 제안한다. 이는 타당한 해에 더 빨리 수렴하도록 한다. 연속적인 점유율 표현을 학습하고 GPU 가속을 통한 병렬 형태 전환을 적용함으로써, 추가 런타임 비용 없이 성공률를 향상시키고 해에 도달하는 데 걸리는 시간을 줄일 수 있으며, 복잡한 환경에서 기준 방법보다 뛰어난 성능을 보인다.

ABSTRACT

We propose Parallelised Diffeomorphic Sampling-based Motion Planning (PDMP). PDMP is a novel parallelised framework that uses bijective and differentiable mappings, or diffeomorphisms, to transform sampling distributions of sampling-based motion planners, in a manner akin to normalising flows. Unlike normalising flow models which use invertible neural network structures to represent these diffeomorphisms, we develop them from gradient information of desired costs, and encode desirable behaviour, such as obstacle avoidance. These transformed sampling distributions can then be used for sampling-based motion planning. A particular example is when we wish to imbue the sampling distribution with knowledge of the environment geometry, such that drawn samples are less prone to be in collisions. To this end, we propose to learn a continuous occupancy representation from environment occupancy data, such that gradients of the representation defines a valid diffeomorphism and is amenable to fast parallel evaluation. We use this to "morph" the sampling distribution to draw far fewer collision-prone samples. PDMP is able to leverage gradient information of costs, to inject specifications, in a manner similar to optimisation-based motion planning methods, but relies on drawing from a sampling distribution, retaining the tendency to find more global solutions, thereby bridging the gap between trajectory optimisation and sampling-based planning methods.

연구 동기 및 목표

• 경로 최적화와 샘플 기반 운동 계획 간 격차를 메우기 위해 샘플 분포에 기울기 정보를 통합하는 것.
• 환경 점유율 또는 사용자 지정 편향과 같은 비용 기울기에서 유도된 미분형 변환을 사용해 샘플 분포를 형태 전환시키는 방법을 개발하는 것.
• 추가 런타임 비용 없이 GPU 가속을 통한 효율적이고 병렬적인 정보 기반 샘플 추출을 가능하게 하는 것.
• 어려운 고차원 환경에서 RRT 및 PRM과 같은 샘플 기반 계획기의 성공률와 해에 도달하는 데 걸리는 시간을 향상시키는 것.
• 모양이 바뀐 샘플 분포를 통해 충돌 가능성이 높은 샘플 수를 크게 줄이며 동시에 확률적 완전성을 유지하는 것.

제안 방법

• 학습된 연속적인 점유율 표현의 기울기에서 유도된 미분형 변환을 구성하여, 장애물 회피 및 환경 기하학을 인코딩한다.
• 이러한 미분형 변환을 사용해 단순한 기본 샘플 분포를 타당한 구성 요소를 선호하는 더 정보가 풍부한 형태 전환된 분포로 변형한다.
• 형태 전환된 샘플 분포는 GPU에서 병렬로 계산되어 정보가 풍부한 샘플을 신속하고 확장 가능하게 생성할 수 있다.
• CPU는 샘플 기반 계획기의 순차적 트리 구축 과정(예: RRT)을 담당하며, GPU는 형태 전환된 샘플을 사전에 채워 넣는 샘플 버킷을 준비한다.
• RRT, RRT*, RRT-connect, Lazy-PRM*과 같은 기존 계획기와 원활하게 통합되어 확률적 완전성을 유지한다.
• GPU로 생성된 버킷이 비어 있을 경우 균일 샘플링을 사용하는 피로 회피 메커니즘이 존재하여 최악의 상황에서도 성능 저하가 발생하지 않는다.

실험 결과

연구 질문

• RQ1 환경 점유율 또는 사용자 지정 비용에서 유도된 기울기 정보를 샘플 기반 운동 계획에서 샘플 분포를 형태 전환시키는 데 사용할 수 있는가?
• RQ2 비용 기울기에서 유도된 미분형 변환을 효율적으로 병렬로 계산하고 적용하여 운동 계획을 가속화할 수 있는가?
• RQ3 샘플 분포의 병렬 형태 전환은 복잡한 운동 계획 환경에서 해에 도달하는 데 걸리는 시간과 성공률을 향상시키는가?
• RQ4 순차적 계획 파이프라인에 GPU 가속을 통한 샘플 분포 형태 전환을 통합할 수 있는가? 추가적인 런타임 비용 없이?
• RQ5 고차원적이거나 혼잡한 환경에서 PDMP는 RRT 및 RRT*와 같은 기준 샘플 기반 계획기보다 얼마나 성능을 향상시키는가?

주요 결과

• PDMP-RRT*는 디바이더 환경에서 7초 이내에 80%의 성공률를 기록했으며, 균일 샘플링을 사용하는 기존 RRT*의 경우 50% 이하에 그쳤다.
• 20초가 지나자 PDMP 변종들은 거의 완벽한 성공률를 기록했으며, 균일 샘플링 대비 뚜렷한 성능 향상을 보였다.
• 계획을 시작한 지 1초가 채 되지 않아 형태 전환된 샘플 수가 정보가 없는 샘플 수를 초과했으며, GPU 활용 효율성이 높음을 시사했다.
• 0.2초가 지나자 정보가 없는 샘플 비율이 무시할 만큼 낮아졌으며, GPU로 생성된 샘플 버킷이 신속히 채워졌음을 보여주었다.
• 모든 테스트된 계획기에서 PDMP는 해에 도달하는 데 걸리는 시간을 향상시켰으며, 특히 계획 시간이 짧을 경우 가장 두드러진 성과를 보였다.
• Lazy-PRM*는 다중 쿼리 성격과 시간 예산 내에서 해를 찾지 못하는 한계로 인해 성능이 열악했으며, 이는 단일 쿼리 PDMP 변종의 우수성을 부각시켰다.