[논문 리뷰] Informed RRT*: Optimal Incremental Path Planning Focused through an Admissible Ellipsoidal Heuristic.

Jonathan D. Gammell, Siddhartha S Srinivasa외 1명|arXiv (Cornell University)|2014. 04. 08.

Robotic Path Planning Algorithms참고 문헌 12인용 수 33

한 줄 요약

이 논문은 현재 최적 경로 주변의 초타원체 영역으로 샘플링을 집중시하는 최적의 점진적 경로 계획 알고리즘인 Informed RRT*를 소개한다. 이는 수렴 속도와 해의 품질을 크게 향상시킨다. 해를 향상시킬 수 있는 상태의 부분집합만을 샘플링함으로써, RRT*보다 더 빠른 수렴 속도와 향상된 성능를 달성하면서도 확률적 완전성과 최적성 보장을 유지한다.

ABSTRACT

Rapidly-exploring random trees (RRTs) are popular in motion planning because they efficiently find solutions to single-query problems. Optimal RRTs (RRT*s) extend RRTs to the problem of finding the optimal solution, but in doing so asymptotically find the optimal path from the initial state to every state in the planning domain. This behaviour is not only inefficient but also inconsistent with their single-query nature. This paper shows that for problems seeking to minimize path length, the subset of states that can improve a solution can be described by a hyperellipsoid. This allows us to show that the probability of improving a solution with global sampling becomes arbitrarily small as the size of the planning problem increases or as the solution approaches the theoretical minimum. This paper presents an exact method to sample this subset directly, allowing for the creation of incremental informed-sampling planners with improved convergence characteristics. The advantages of the presented sampling technique are demonstrated with a new algorithm, Informed RRT*. This method retains the same probabilistic guarantees on completeness and optimality as RRT* while improving the convergence rate and final solution quality. It is shown experimentally that the presented algorithm outperforms RRT* in rate of convergence, final solution cost, and ability to find difficult passages while demonstrating less dependence on the size of the planning problem.

연구 동기 및 목표

• 단일 쿼리 최적 경로 계획에서 상태 공간 전체에 균일하게 샘플링하는 RRT*의 비효율성을 해결하기 위해.
• 현재 최적 경로를 향상시킬 수 있는 기하학적 부분집합 상태를 식별하고 활용하기 위해.
• 이 부분집합으로 샘플링 전략을 집중시켜 수렴 속도를 가속화하면서도 최적성 또는 완전성 손실 없이 유지하기 위해.
• 문제 크기가 커지거나 해가 최적에 가까워질수록 전역 샘플링을 통한 해 향상 확률이 감소함을 입증하기 위해.
• RRT*의 이론적 보장을 유지하면서도 실용적 성능를 크게 향상시키는 알고리즘을 개발하기 위해.

제안 방법

• 현재 최적 경로 길이와 목적지까지의 거리를 바탕으로 향상 가능한 상태의 집합을 초타원체로 모델링한다.
• 유클리드 거리와 현재 최적 비용을 기반으로 타당한 히우리스틱을 구성하여, 초타원체가 모든 향상 가능한 상태를 포함하도록 보장한다.
• 트리 확장을 위해 이 초타원체 영역으로 샘플링을 제한함으로써 검색 공간을 줄이고 해 향상 가능성을 높인다.
• 더 나은 해가 발견될수록 초타원체를 동적으로 갱신하여 샘플링 영역이 시간이 지남에 따라 적절히 축소되도록 보장한다.
• RRT*의 기존 메커니즘(재와이어링 및 渐近 최적성)과 통합하여 이론적 보장을 유지한다.
• 방법론은 타당성과 함께 확률적 완전성 및 최적성을 유지함을 공식적으로 증명한다.

실험 결과

연구 질문

• RQ1 단일 쿼리 최적 경로 계획에서 현재 최적 경로를 향상시킬 수 있는 상태의 부분집합을 기하학적으로 정확히 특성화할 수 있는가?
• RQ2 이 부분집합으로 샘플링을 제한할 경우, RRT*의 균일한 샘플링 대비 수렴 속도와 해의 품질 향상이著명한가?
• RQ3 이러한 샘플링 전략은 RRT*의 확률적 완전성과 渐近 최적성을 유지할 수 있는가?
• RQ4 문제 크기와 복잡도가 증가함에 따라 이 샘플링 전략의 성능는 어떻게 스케일링되는가?
• RQ5 좁은 통로를 통과하는 해를 RRT*보다 더 신뢰성 있게 찾을 수 있는가?

주요 결과

• RRT*에서 전역 샘플링을 통한 해 향상 확률은 해가 이론적 최소에 가까워지거나 문제 크기가 커질수록 임의로 작아진다.
• 모든 테스트 환경에서 Informed RRT*는 RRT*보다 더 빠른 수렴 속도를 달성하며, 시간이 지남에 따라 해 비용에서 측정 가능한 향상을 보인다.
• Informed RRT*의 최종 해 비용은 항상 RRT*보다 낮게 유지되며, 최적 경로로의 수렴 성능이 뛰어나다는 것을 보여준다.
• Informed RRT*는 문제 크기에 대한 의존도가 감소하여 대규모 계획 도메인에서도 높은 성능 유지를 보인다.
• 좁은 통로를 통과하는 해를 찾는 능력이 향상되어 도전적인 환경에서 RRT*를 능가한다.
• 이 방법은 확률적 완전성 및 渐近 최적성의 이론적 보장을 유지하여 정확성을 보장한다.