[论文解读] Analysis of Asymptotically Optimal Sampling-based Motion Planning Algorithms for Lipschitz Continuous Dynamical Systems

Γεώργιος Παπαδόπουλος, Hanna Kurniawati+1 more|arXiv (Cornell University)|May 12, 2014

Robotic Path Planning Algorithms参考文献 14被引用 17

一句话总结

该论文提出了一种基于采样的新型运动规划框架，通过直接从控制空间采样，实现了对利普希茨连续动力系统的渐近最优性，消除了对导向函数的需求。主要贡献在于理论上证明了此类规划器以概率1收敛到最优轨迹，同时推导出依赖于控制空间维度和利普希茨常数的收敛速率边界。

ABSTRACT

Over the last 20 years significant effort has been dedicated to the development of sampling-based motion planning algorithms such as the Rapidly-exploring Random Trees (RRT) and its asymptotically optimal version (e.g. RRT*). However, asymptotic optimality for RRT* only holds for linear and fully actuated systems or for a small number of non-linear systems (e.g. Dubin's car) for which a steering function is available. The purpose of this paper is to show that asymptotically optimal motion planning for dynamical systems with differential constraints can be achieved without the use of a steering function. We develop a novel analysis on sampling-based planning algorithms that sample the control space. This analysis demonstrated that asymptotically optimal path planning for any Lipschitz continuous dynamical system can be achieved by sampling the control space directly. We also determine theoretical bounds on the convergence rates for this class of algorithms. As the number of iterations increases, the trajectory generated by these algorithms, approaches the optimal control trajectory, with probability one. Simulation results are promising.

研究动机与目标

• 为解决现有渐近最优规划器（如RRT*）需要导向函数的局限性，而这类函数在具有微分约束的复杂动力系统中往往不可行。
• 建立理论证明，表明对于利普希茨连续系统，可通过直接从控制空间采样实现渐近最优性，而无需使用导向函数。
• 推导基于控制空间采样的规划器的理论收敛速率边界，识别影响收敛速度的关键系统参数。
• 开发一族直接在控制空间中运行的渐近最优运动规划器，适用于欠驱动系统和非完整约束系统。
• 在仅假设利普希茨连续性的最小条件下，对控制空间采样算法的最优性和收敛性进行严格的理论分析。

提出的方法

• 该方法直接从控制空间而非配置空间采样控制输入，从而避免了对导向函数的需求。
• 采用基于树结构的采样策略，利用新采样的控制输入扩展已有轨迹，确保在迭代过程中保持可行性并降低代价。
• 通过递归概率边界建模接近最优路径的概率，结合条件概率和采样密度进行分析。
• 一个关键方程用于建模第j次迭代时的成功概率：$ P_{j,k} \geq P_{j-1,k} + \frac{\rho}{j}(Pr(X_{j-1,k-1}) - Pr(X_{j-1,k})) $，其中 $ \rho $ 表示采样效率。
• 通过离散近似系统 $ \hat{P}_{j,1} = \hat{P}_{j-1,1} + (1 - \hat{P}_{j-1,1})\frac{\rho}{j} $ 进行收敛速率分析，得出当 $ j \to \infty $ 时，速率 $ \alpha_1 \to \rho $。
• 利用洛必达法则和对数收敛动态表达式的泰勒级数近似，推导出理论边界。

实验结果

研究问题

• RQ1 对于一般利普希茨连续动力系统，能否在不使用导向函数的情况下实现基于采样的运动规划的渐近最优性？
• RQ2 基于控制空间采样的规划器的理论收敛速率是多少？其如何依赖于系统参数？
• RQ3 在非线性、欠驱动系统中，与配置空间采样相比，直接控制空间采样在最优性保证和计算可行性方面有何差异？
• RQ4 当迭代次数增加时，达到近似最优轨迹的概率在何种条件下收敛于1？
• RQ5 能否仅基于利普希茨连续性假设，为控制空间采样算法的收敛性和最优性建立统一的理论框架？

主要发现

• 对于任意利普希茨连续动力系统，当直接从控制空间采样且无需导向函数时，以概率1实现渐近最优性。
• 对于第一个里程碑（k=1），收敛速率随着迭代次数的增加，渐近趋近于采样效率参数 $ \rho $。
• 收敛速率在理论上受到控制空间维度和系统动力学利普希茨连续常数的约束。
• 达到近似最优轨迹的概率随迭代次数单调递增，遵循确保收敛至最优路径的递归不等式。
• 分析证实，控制空间采样是复杂动力系统中配置空间采样的一种可行且理论可靠的替代方案。
• 仿真结果支持理论发现，表明在具有微分约束的系统中，该方法能有效生成低代价、可行的轨迹。