[논문 리뷰] The Role of Vertex Consistency in Sampling-based Algorithms for Optimal Motion Planning

Oktay Arslan, Panagiotis Tsiotras|arXiv (Cornell University)|2012. 04. 29.

Robotic Path Planning Algorithms인용 수 4

한 줄 요약

이 논문은 최적 경로 수렴 속도를 높이기 위해 스패닝 트리에서 정점 일致성을 강제하는 RRT#이라는 샘플링 기반 최적 운동 계획 알고리즘을 제안한다. 모든 정점이 최소한의 도착 비용을 가지도록 보장함으로써 유망한 영역을 더 빨리 식별할 수 있게 되어, 수렴 속도와 해의 품질 면에서 RRT*를 능가한다. 세 가지 변종은 유능한 샘플링과 불일치 감소를 통해 성능을 추가로 향상시킨다.

ABSTRACT

Motion planning problems have been studied by both the robotics and the controls research communities for a long time, and many algorithms have been developed for their solution. Among them, incremental sampling-based motion planning algorithms, such as the Rapidly-exploring Random Trees (RRTs), and the Probabilistic Road Maps (PRMs) have become very popular recently, owing to their implementation simplicity and their advantages in handling high-dimensional problems. Although these algorithms work very well in practice, the quality of the computed solution is often not good, i.e., the solution can be far from the optimal one. A recent variation of RRT, namely the RRT* algorithm, bypasses this drawback of the traditional RRT algorithm, by ensuring asymptotic optimality as the number of samples tends to infinity. Nonetheless, the convergence rate to the optimal solution may still be slow. This paper presents a new incremental sampling-based motion planning algorithm based on Rapidly-exploring Random Graphs (RRG), denoted RRT# (RRT "sharp") which also guarantees asymptotic optimality but, in addition, it also ensures that the constructed spanning tree of the geometric graph is consistent after each iteration. In consistent trees, the vertices which have the potential to be part of the optimal solution have the minimum cost-come-value. This implies that the best possible solution is readily computed if there are some vertices in the current graph that are already in the goal region. Numerical results compare with the RRT* algorithm.

연구 동기 및 목표

• 고차원 상태 공간에서 RRT*와 같은 渐近적으로 최적인 샘플링 기반 운동 계획 알고리즘의 느린 수렴 문제를 해결하기 위해.
• 모든 반복에서 트리 구조의 정점 일치성을 강제하여 해의 품질과 수렴 속도를 향상시키기 위해.
• 정점의 최적 경로에 있을 잠재성을 기반으로 분류함으로써 최적 경로 후보를 더 빨리 식별할 수 있도록 하기 위해.
• 목표 경로 후보에 대한 집중적 샘플링과 효율적인 정보 전파를 통해 수렴을 향상시키는 RRT#의 변종을 개발하기 위해.
• 일관성 정보를 증분 샘플링 기반 계획자에 통합할 수 있는 프레임워크를 제공하기 위해.

제안 방법

• 알고리즘은 자유 구성 공간 내 임의의 샘플에서 점진적으로 기하학적 그래프를 구축하는 데 사용되는 빠르게 탐색하는 무작위 그래프(RRG) 프레임워크를 사용한다.
• 각 반복에서 알고리즘은 스패닝 트리를 유지하며, 정점 일치성은 각 정점의 도착 비용이 이웃 정점들을 통해 최적의 도착 비용과 일치하도록 보장한다.
• 핵심 절차인 ReduceInconsistency는 새로운 정점이 추가된 후 갱신된 도착 비용 정보를 트리 전반에 걸쳐 전파하여 일관성을 유지한다.
• 세 가지 변종(RRT#_V1, V2, V3)이 도입된다: V1은 유망하지 않은 영역으로 확장을 피하고, V2는 정보 전파를 향상시키며, V3는 두 전략을 통합한다.
• 알고리즘은 샘플 간 충돌 없는 궤적을 생성하기 위해 국소 계획자를 사용하며, 비용 기반 정점 분류를 통해 샘플링과 트리 확장을 안내한다.
• 정점 일치성은 정점의 현재 도착 비용을 이웃 정점들을 통한 도착 비용과 비교함으로써 강제되며, 더 낮은 비용의 경로가 발견되면 업데이트가 발생한다.

실험 결과

연구 질문

• RQ1 샘플링 기반 계획자에서 스패닝 트리의 정점 일치성을 강제하는 것이 최적 해에 대한 수렴 속도를 상당히 향상시킬 수 있는가?
• RQ2 정점 일치성은 최적 경로를 포함할 가능성이 높은 영역을 더 빨리 식별하는 데 어떻게 기여하는가?
• RQ3 정점 분류 기반의 유능한 샘플링 전략이 수렴을 위해 필요한 정점 수를 얼마나 줄일 수 있는가?
• RQ4 일관성 전파와 영역 잘라내기의 통합이 고차원 운동 계획에서 RRT*를 초월한 성능 향상에 기여할 수 있는가?
• RQ5 RRT# 및 그 변종을 사용할 경우 RRT* 대비 수렴 속도와 해의 품질에서 어떤 정량적 이득을 얻을 수 있는가?

주요 결과

• 2D 및 5D 환경에서의 수치 결과를 통해 RRT#가 RRT*보다 더 빠른 수렴 속도를 보이며 渐近적으로 최적임을 입증하였다.
• 기본 RRT# 알고리즘은 정점 일치성 덕분에 RRT*보다 더 빠르게 수렴한다. 이는 어떤 정점도 목표 영역에 있다면 즉시 최적의 가능한 해에 접근할 수 있기 때문이다.
• RRT#_V3 변종이 가장 빠른 수렴 속도를 보이며, 트리 내 정점 수를 줄이면서도 높은 해의 품질을 유지한다.
• 2D 공간에서 50차례, 5D 공간에서 100차례의 시험을 거친 결과, RRT# 및 그 변종의 실행 시간은 정규화되어 RRT*보다 상당히 낮게 나타났다.
• RRT#에서는 RRT*보다 경로 비용의 분산이 더 빨리 감소하여 더 안정적이고 일관된 수렴 행동을 보였다.
• 정점 분류의 사용은 더 스마트한 샘플링을 가능하게 하여 상태 공간의 생산성 없는 영역으로의 불필요한 트리 확장을 줄였다.