[논문 리뷰] Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks

Chenning Yu, Sicun Gao|arXiv (Cornell University)|2022. 10. 17.

Software Testing and Debugging Techniques인용 수 23

한 줄 요약

두 개의 Graph Neural Network 구성 요소(path explorer와 path smoother)가 무작위 기하 그래프에서 훈련되어 샘플링 기반 움직임 계획에서 충돌 검사를 줄이고, 2D에서 14D 작업에 걸쳐 확률적 완전성을 유지하면서 효율성을 향상시킨다.

ABSTRACT

Sampling-based motion planning is a popular approach in robotics for finding paths in continuous configuration spaces. Checking collision with obstacles is the major computational bottleneck in this process. We propose new learning-based methods for reducing collision checking to accelerate motion planning by training graph neural networks (GNNs) that perform path exploration and path smoothing. Given random geometric graphs (RGGs) generated from batch sampling, the path exploration component iteratively predicts collision-free edges to prioritize their exploration. The path smoothing component then optimizes paths obtained from the exploration stage. The methods benefit from the ability of GNNs of capturing geometric patterns from RGGs through batch sampling and generalize better to unseen environments. Experimental results show that the learned components can significantly reduce collision checking and improve overall planning efficiency in challenging high-dimensional motion planning tasks.

연구 동기 및 목표

• 샘플링 기반 움직임 계획에서 충돌 검사 병목 현상을 동기 부여하고 해결한다.
• 배치 샘플링과 그래프 표현을 활용하는 학습 기반 구성 요소를 제안하여 경로의 탐색과 매끄럽게 하는 과정을 가속화한다.
• GNN 기반 방법이 다양한 환경과 차원에서 높은 성공률을 유지하면서 충돌 검사 수를 줄임을 보여준다.
• 본질적으로 보지 못한 환경으로의 GNN 기반 충돌 감소의 일반화 능력을 시연한다.

제안 방법

• 샘플의 배치를 형성하여 자유 공간에서 무작위 기하 그래프(RGGs)를 생성한다.
• 탐색을 위한 충돌 없는 간선을 우선시하는 GNN 기반 path explorer를 개발한다.
• 탐색된 경로를 지역적으로 개선하고 단축시키기 위한 GNN 기반 path smoother를 개발한다.
• 정점에 구성 데이터와 장애물 정보를 인코딩하고, 가변 장애물 수를 위한 어텐션을 사용한다.
• GNN에서 최대 집계와 잔여 연결을 사용하고, 간선 우선순위와 정제된 경로를 출력한다.
• 탐색기가 탐험 프런티어 내의 오라클 경로를 모방하여 학습하고, 매끄럽게 하는 오라클을 모방하여 smoother를 학습한다.

실험 결과

연구 질문

• RQ1 GNN이 배치 샘플링 그래프에서 불필요한 충돌 검사를 줄이기 위해 탐색 간선을 우선 순위화하는 것을 학습할 수 있는가?
• RQ2 GNN 기반 path smoother가 충돌 위험을 증가시키지 않으면서 더 짧고 실행 가능한 경로를 생성할 수 있는가?
• RQ3 GNN 기반 구성 요소가 차원 수가 높고 보지 못한 환경으로 일반화하여 확률적 완전성을 저해하지 않는가?
• RQ4 성공률, 충돌 검사 수, 계획 시간 측면에서 GNN 기반 접근법이 최신 계획 방법과 어떻게 비교되는가?

주요 결과

• GNN 기반 explorer와 smoother는 2D에서 14D에 이르는 환경에서 충돌 검사 수를 크게 줄인다.
• 이 접근법은 손으로 설계된 휴리스틱 및 NEXT와 비교할 때 높은 성공률을 달성하며, 특히 고차원에서 훨씬 적은 충돌 검사로 이를 달성한다.
• GNNs를 이용한 경로 매끄럽게 하기는 장애물 인코딩과 함께 사용할 때 더 짧은 경로를 산출한다.
• 충돌 검사 오버헤드가 감소하여 기존 방법과 경쟁력 있는 계획 시간을 유지한다.
• 일반화 실험은 GNN이 연결성의 변화에 대해 일부 학습 기반 기준보다 잘 다루는 것을 보여준다.