[論文レビュー] Guided Incremental Local Densification for Accelerated Sampling-based Motion Planning

Aditya Mandalika, Rosario Scalise+3 more|arXiv (Cornell University)|Apr 11, 2021

Robotic Path Planning Algorithms参考文献 30被引用数 6

ひとこと要約

本稿では、探索木内のビーコンから得られる局所的部分集合を、到着コストの改善に応じて動的に調整することにより、より短いゴール経路が見つからなくても、サンプリング効率を向上させる、ガイド付き段階的局所的密着化（GuILD）という、サンプリングベースの運動計画フレームワークを提案する。GuILDは、特に高次元空間やトポロジカルに複雑な環境において、均一なInformed Setからのサンプリングと比較して収束を著しく加速し、サンプル数を削減する。

ABSTRACT

Sampling-based motion planners rely on incremental densification to discover progressively shorter paths. After computing feasible path $ξ$ between start $x_s$ and goal $x_t$, the Informed Set (IS) prunes the configuration space $\mathcal{C}$ by conservatively eliminating points that cannot yield shorter paths. Densification via sampling from this Informed Set retains asymptotic optimality of sampling from the entire configuration space. For path length $c(ξ)$ and Euclidean heuristic $h$, $IS = \{ x | x \in \mathcal{C}, h(x_s, x) + h(x, x_t) \leq c(ξ) \}$. Relying on the heuristic can render the IS especially conservative in high dimensions or complex environments. Furthermore, the IS only shrinks when shorter paths are discovered. Thus, the computational effort from each iteration of densification and planning is wasted if it fails to yield a shorter path, despite improving the cost-to-come for vertices in the search tree. Our key insight is that even in such a failure, shorter paths to vertices in the search tree (rather than just the goal) can immediately improve the planner's sampling strategy. Guided Incremental Local Densification (GuILD) leverages this information to sample from Local Subsets of the IS. We show that GuILD significantly outperforms uniform sampling of the Informed Set in simulated $\mathbb{R}^2$, $SE(2)$ environments and manipulation tasks in $\mathbb{R}^7$.

研究の動機と目的

• 初期パスコストが高い、またはホモトピークラスのサンプリングが困難な場合に、Informed Set内での均一なサンプリングの非効率性を解消すること。
• ゴールまでの短いパスが見つからなくても、探索木内の頂点の到着コストの改善を活用し、リアルタイムでサンプリング戦略を最適化すること。
• 適応的かつ局所的な密着化を通じて収束を加速しつつ、漸近的最適性を維持するフレームワークの開発。
• 多様な運動計画ドメインにおいて、異なるビーコン選択戦略のサンプリング効率への影響を評価すること。

提案手法

• GuILDは、探索木内の頂点（ビーコン）を導入し、元の計画問題を「スタートからビーコン」および「ビーコンからゴール」という2つの部分問題に分割する。
• 局所的部分集合は、ユークリッドヒューリスティックを用いて、開始点とビーコン、およびビーコンとゴールを焦点とする回転楕円体（一般化された楕円）として定義される。
• ビーコンの到着コストが改善された場合に、開始点-ビーコン部分集合は縮小され、ビーコン-ゴール部分集合は拡大される。
• アルゴリズムはこれらの局所的部分集合の和集合からサンプリングを行い、漸近的最適性を保ちつつ、高い可能性を持つ領域に集中してサンプリングする。
• 複数のビーコン選択戦略（均一、グリーディ、およびオンライン学習のための敵対的バンディットアルゴリズム（EXP3））をサポートする。
• 本手法は、探索木と到着コスト値へのアクセスのみを必要とするため、任意のサンプリングベースの最適運動計画アルゴリズムに容易に統合可能である。

実験結果

リサーチクエスチョン

• RQ1 探索木の改善をもとに動的に更新される局所的部分集合からのサンプリングが、サンプリングベースの運動計画における収束を加速できるか。
• RQ2 多様な計画ドメインにおいて、GuILDのサンプリング効率は、Informed Setからの均一なサンプリングと比較してどの程度優れているか。
• RQ3 ビーコン選択戦略（例：均一、グリーディ、バンディット）の選択が性能に顕著な影響を与えるか、またどの戦略が最も一貫した改善をもたらすか。
• RQ4 高次元空間やトポロジカルに複雑な環境、特にサンプリングが困難なホモトピークラスを有する状況において、GuILDはInformed Setベースラインをどの程度上回るか。

主な発見

• GuILDは、全テスト環境において、Informed Setからの均一なサンプリングと比較して一貫して高いサンプリング効率を達成しており、95%信頼区間において統計的に有意な改善が示された。
• EXP3アルゴリズムに基づくバンディットビーコン選択戦略は、常に上位のパフォーマンスを示し、多様な計画問題においても頑健性を示した。
• Trap環境では、GuILDは1100～1200サンプルで狭い通路を特定したが、Informed Setベースラインではほぼ2倍のサンプル数を要した。
• TwoWall環境では、GuILDは特に中程度のコストを持つホモトピー領域において、ISベースラインよりもパスコストの低下が著しく速やかに進行した。
• HERB本棚環境（R⁷）では、GuILDがより急激なコスト低下を示し、高次元空間におけるサンプリング効率の向上が顕著に確認された。
• ゴールまでの短いパスが見つからなくても、GuILDは到着コストの改善を活用してサンプリング領域を最適化し、パス改善が失敗しても収束を加速する有効性を示した。