[논문 리뷰] Rapidly-exploring Random Forest: Adaptively Exploits Local Structure with Generalised Multi-Trees Motion Planning

Tin Lai|arXiv (Cornell University)|2021. 03. 07.

Robotic Path Planning Algorithms참고 문헌 28인용 수 4

한 줄 요약

이 논문은 좁은 통로에서의 로컬 연결성을 활용하기 위해 적응형 베이지안 국소 샘플링을 도입하고, 다수의 나무를 사용하는 다수의 나무 기반 운동 계획법인 빠르게 탐색하는 랜덤 숲(rrf*)을 제안한다. 이는 다수의 나무 중 가장 유망한 나무에 자원을 할당하기 위해 다수의 손잡이 랜덤 프로세스 프레임워크를 사용한다. rrf*는 점근적 최적성과 뛰어난 샘플 효율성을 달성하며, 특히 복잡한 좁은 통로를 가진 고차원적이고 혼잡한 환경에서 뛰어난 성능을 보인다.

ABSTRACT

Sampling-based motion planners perform exceptionally well in robotic applications that operate in high-dimensional space. However, most works often constrain the planning workspace rooted at some fixed locations, do not adaptively reason on strategy in narrow passages, and ignore valuable local structure information. In this paper, we propose Rapidly-exploring Random Forest (RRF*) -- a generalised multi-trees motion planner that combines the rapid exploring property of tree-based methods and adaptively learns to deploys a Bayesian local sampling strategy in regions that are deemed to be bottlenecks. Local sampling exploits the local-connectivity of spaces via Markov Chain random sampling, which is updated sequentially with a Bayesian proposal distribution to learns the local structure from past observations. The trees selection problem is formulated as a multi-armed bandit problem, which efficiently allocates resources on the most promising tree to accelerate planning runtime. RRF* learns the region that is difficult to perform tree extensions and adaptively deploys local sampling in those regions to maximise the benefit of exploiting local structure. We provide rigorous proofs of completeness and optimal convergence guarantees, and we experimentally demonstrate that the effectiveness of RRF*'s adaptive multi-trees approach allows it to performs well in a wide range of problems.

연구 동기 및 목표

• 무작위 샘플링의 효율성이 떨어지는 좁은 통로에서 샘플 기반 운동 계획법(SBPs)의 성능이 열 劣하는 문제를 해결한다.
• 제약된 영역에서 국소 연결성을 활용하지 못하는 고정된 샘플링 전략의 한계를 극복한다.
• 장애물이 많은 영역을 자동으로 식별하고, 필요한 곳에만 특수화된 국소 샘플링을 적용하는 방법을 개발한다.
• 다수의 나무 기반 계획법과 적응형 자원 할당을 통합하여 탐색과 이용의 균형을 이룬다.
• 고차원 공간에서 샘플 효율성을 향상시키면서도 완전성과 점근적 최적성의 이론적 보장을 확보한다.

제안 방법

• 각 단계에서 가장 유망한 나무에 자원을 할당하기 위해 나무 선택 문제를 다수의 손잡이 랜덤 프로세스 문제로 수식화한다.
• 과거 관측 결과를 기반으로 제안 분포를 업데이트하는 순차적 마르코프 체인 몬테카를로(MCMC) 보행을 통한 베이지안 국소 샘플링을 적용한다.
• 시야가 제한되고 제약 조건의 복잡도가 높은 영역(즉, 통로로 간주되는 영역)으로 식별된 곳에만 국소 나무를 동적으로 생성한다.
• 기본 나무(출발점과 목표점에서 시작하는 나무)와 제약 조건이 있는 영역을 위한 적응형 국소 나무를 포함하는 일반화된 다수의 나무 아키텍처를 사용한다.
• rrt*와 prm*와 유사한 리와이어링 절차를 적용하여 점근적 최적성을 보장한다.
• 나무 확장 실패와 국소 연결성 지표를 기반으로 좁은 통로를 탐지하는 히우리스틱을 적용한다.

실험 결과

연구 질문

• RQ1 샘플 기반 운동 계획법은 좁은 통로에서 무작위 샘플링이 비효율적인 상황에서 국소 연결성을 효과적으로 활용할 수 있는가?
• RQ2 고정되거나 균일하게 배포된 국소 나무보다 적응형 국소 나무를 사용하는 다수의 나무 접근 방식이 샘플 효율성과 수렴 속도 측면에서 뛰어나다고 할 수 있는가?
• RQ3 다수의 나무(기본 나무와 국소 나무) 간에 계획 자원을 최적화하여 수렴 속도를 높일 수 있는가? 이때 완전성은 유지되어야 한다.
• RQ4 과거 샘플에서 학습하는 베이지안 국소 샘플링 전략은 고차원적이고 제약 조건이 많은 구성 공간에서 탐색을 향상시킬 수 있는가?
• RQ5 적응형 국소 나무와 다수의 손잡이 랜덤 프로세스 기반의 나무 선택 통합이 완전성과 점근적 최적성의 이론적 보장을 유지하는가?

주요 결과

• rrf*는 점근적 최적성을 확보하며, 샘플 수가 증가함에 따라 해의 비용이 거의 확실히 최적 비용으로 수렴한다.
• 미로와 6-DOF 매니퓰레이터와 같은 혼잡한 환경에서 rrt*, bi-rrt*, 및 인포메이티드 rrt*보다 rrf*가 더 빠르게 해를 찾고, 비용은 낮으며, 유효하지 않은 연결 수가 적다.
• 특히 고차원 공간에서 기준 대비 유효하지 않은 샘플(장애물 및 연결 검사) 수를 크게 줄였다.
• 실제 환경 테스트에서 뚜렷한 강건성을 보였으며, 5초 이내의 시간 제약 조건 내에 혼잡한 환경에서 JACO 로봇 암의 궤적을 성공적으로 계획했다.
• 개방 영역에서는 불필요한 국소 나무 생성을 피하기 때문에, rrf*는 복잡한 작업에서 rr d t ∗ 보다 수렴 속도가 더 빠르다.
• 특히 제약 조건이 많은 C-공간에서 계산 자원을 국소 구조를 활용할 수 있는 가장 유익한 영역에 집중함으로써 높은 샘플 효율성을 달성한다.