[論文レビュー] Graph Neural Networks for Motion Planning

Arbaaz Khan, Alejandro Ribeiro+2 more|arXiv (Cornell University)|Jun 11, 2020

Robotic Path Planning Algorithms参考文献 22被引用数 15

ひとこと要約

本稿では、配置空間のトポロジー構造を置換不変な符号化によって活用することで、運動計画の性能を向上させるためのグラフニューラルネットワーク（GNN）の応用を提案する。GNNは、離散的（A*）およびサンプリングベースの計画法（RRT）を、重要なノード同定と適応的サンプリング分布の学習によって支援する。2次元および6-DoFのロボットアームタスクを含む低次元および高次元問題において、CNNやFCN、CVAEを上回るパス品質とサンプル効率を達成した。

ABSTRACT

This paper investigates the feasibility of using Graph Neural Networks (GNNs) for classical motion planning problems. We propose guiding both continuous and discrete planning algorithms using GNNs' ability to robustly encode the topology of the planning space using a property called permutation invariance. We present two techniques, GNNs over dense fixed graphs for low-dimensional problems and sampling-based GNNs for high-dimensional problems. We examine the ability of a GNN to tackle planning problems such as identifying critical nodes or learning the sampling distribution in Rapidly-exploring Random Trees (RRT). Experiments with critical sampling, a pendulum and a six DoF robot arm show GNNs improve on traditional analytic methods as well as learning approaches using fully-connected or convolutional neural networks.

研究の動機と目的

• 従来の離散化手法が失敗する高次元の運動計画の課題に対処すること。
• CNNやFCNが配置空間の不規則なトポロジカル構造を捉える能力に制限を受ける問題を克服すること。
• GNNの置換不変性を活用して、未観測の環境への一般化を図り、計画法のロバストネスを向上させること。
• RRTをより速く、より少ないサンプルでゴール領域へ誘導するGNNベースのサンプリング分布を開発すること。
• CVAEやFCNなどの既存の深層学習ベースラインと比較して、重要なサンプル検出および高次元計画におけるGNNの優位性を実証すること。

提案手法

• 低次元の配置空間のトポロジーを符号化し、A*に基づく計画のための重要なノードを同定するために、固定された密なグラフにGNNを適用する。
• RRTの次に最良のノードを予測するようにGNNを学習し、グラフ構造とノード特徴に基づいた配置空間上のサンプリング分布を学習する。
• ノード特徴を開始位置およびゴール位置からの相対的距離として定義する：$\mathbf{x}_n = [x_{\text{init}} - x_n, x_{\text{goal}} - x_n]$。
• RRTからのオフラインロールアウトを用いて、GNNベースのサンプラーをエンドツーエンドで学習し、データ$\{\mathcal{G}, \mathbf{x}, \mathbf{y}\}$を収集する。ここで$\mathbf{y}$はパス上の次のノードを表す。
• 訓練済みのGNNサンプラーをRRT/BiRRTでオンラインに展開し、グラフを動的に更新し、現在のトポロジーに基づいて次のノードを再予測する。
• GNNとCVAE、GNN-CVAE、FCNベースラインを、重要なサンプル検出およびサンプリング効率の両面で比較する。

実験結果

リサーチクエスチョン

• RQ1 GNNは、配置空間の静的で密なグラフ表現において、CNNやCVAEを上回る性能で重要なノードを効果的に同定できるか？
• RQ2 GNNは、一様サンプリングに比べて、より速く、より少ないノードでゴールに到達するようなサンプリング分布を学習できるか？
• RQ3 GNNの置換不変性は、CNNやFCNと比較して、未観測の環境への一般化性能を向上させるか？
• RQ4 6-DoFのロボットアームのような、運動学的制約を伴う高次元問題において、GNNベースのサンプラーはどのように性能を発揮するか？
• RQ5 CVAEのようなより複雑な生成モデルと比較して、GNNベースのモデルは計画効率とサンプル使用量において優位性を示すか？

主な発見

• パンドラムタスクにおいて、GNNはRRTが展開するノード数を顕著に削減した。一様サンプリングと同等のパス長さを達成したが、展開回数が少なかった。
• 6-DoFのロボットアームにおいて、GNNベースのサンプラーは、通常のBiRRTおよび他のベースラインと比較して、展開ノード数と衝突チェック回数を削減した。
• 低次元空間におけるA*ベースの計画において、GNN-CVAEはCVAEおよびFCNベースラインを上回り、重要なサンプルの同定性能に優れた。
• BiRRTにおいて、GNNサンプラーは、狭い通路を含む複雑な環境でも、木の成長をゴール方向に誘導することで、より速い収束を達成した。
• GNNは、置換不変なインダクティブバイアスのおかげで、CNNやFCNよりも異なる環境間での一般化性能に優れており、未観測の構成へも容易に転移可能であった。
• GNNベースのサンプラーは、障害物の配置が異なる状況でも性能を維持し、ロバストネスと転移性を示した。