[论文解读] Monte Carlo Motion Planning for Robot Trajectory Optimization Under Uncertainty

Lucas Janson, Edward Schmerling+1 more|arXiv (Cornell University)|Apr 30, 2015

Robotic Path Planning Algorithms参考文献 24被引用 5

一句话总结

本文提出 MCMP，一种基于蒙特卡洛的运动规划框架，通过方差减少采样技术，精确估计在不确定性下的路径碰撞概率。通过将控制变量与重要性采样结合使用确定性规划器（FMT*），MCMP 实现了在不确定性下的实时、精确且非保守的轨迹优化，生成具有认证误差边界的可行、低成本路径。

ABSTRACT

This article presents a novel approach, named MCMP (Monte Carlo Motion Planning), to the problem of motion planning under uncertainty, i.e., to the problem of computing a low-cost path that fulfills probabilistic collision avoidance constraints. MCMP estimates the collision probability (CP) of a given path by sampling via Monte Carlo the execution of a reference tracking controller (in this paper we consider LQG). The key algorithmic contribution of this paper is the design of statistical variance-reduction techniques, namely control variates and importance sampling, to make such a sampling procedure amenable to real-time implementation. MCMP applies this CP estimation procedure to motion planning by iteratively (i) computing an (approximately) optimal path for the deterministic version of the problem (here, using the FMT* algorithm), (ii) computing the CP of this path, and (iii) inflating or deflating the obstacles by a common factor depending on whether the CP is higher or lower than a target value. The advantages of MCMP are threefold: (i) asymptotic correctness of CP estimation, as opposed to most current approximations, which, as shown in this paper, can be off by large multiples and hinder the computation of feasible plans; (ii) speed and parallelizability, and (iii) generality, i.e., the approach is applicable to virtually any planning problem provided that a path tracking controller and a notion of distance to obstacles in the configuration space are available. Numerical results illustrate the correctness (in terms of feasibility), efficiency (in terms of path cost), and computational speed of MCMP.

研究动机与目标

• 解决现有运动规划方法依赖于路径碰撞概率（CP）近似值的局限性，这些近似值可能显著不准确，导致不可行或过度保守的规划。
• 开发一种计算高效且精确的方法，用于估计在系统动力学与障碍物几何形状均存在不确定性的环境中的路径CP。
• 通过统计方差减少技术，使CP估计的蒙特卡洛采样既快速又可并行化，从而实现实时运动规划。
• 提供一个通用框架，适用于任何具备参考跟踪控制器和明确定义配置空间距离度量的机器人系统。
• 提供带有标准误差的CP认证估计，使用户能够评估概率估计的可靠性——这与大多数先前的近似方法不同。

提出的方法

• 通过LQG跟踪控制器执行的大量随机轨迹仿真，采用蒙特卡洛采样估计路径碰撞概率（CP）。
• 针对规划问题定制控制变量，以减少CP估计中的方差，提升收敛速度与精度。
• 采用重要性采样，将采样分布移向状态空间中高影响区域，进一步降低方差且不引入偏差。
• 将CP估计器集成到元算法中，通过迭代调整障碍物膨胀程度，以判断估计的CP是否超过目标阈值。
• 在每次迭代中使用FMT*算法进行确定性路径优化，确保生成低成本路径。
• 实现蒙特卡洛仿真的并行化，特别是对似然比计算的并行化，以加速在多核或GPU架构上的运行时间。

实验结果

研究问题

• RQ1 在不确定性下的机器人运动规划中，结合方差减少技术的蒙特卡洛采样能否提供准确且认证的路径碰撞概率估计？
• RQ2 与现有基于近似的CP估计方法相比，所提出的MCMP框架在准确性和计算效率方面表现如何？
• RQ3 控制变量与重要性采样等方差减少技术在多大程度上可使蒙特卡洛CP估计适用于实时运动规划？
• RQ4 该框架能否推广至多种机器人系统与不确定性模型，而不仅限于本工作中使用的高斯假设？
• RQ5 与近似方法提供的点估计相比，CP估计中包含标准误差如何提升决策质量？

主要发现

• MCMP 实现了渐近正确的CP估计，而许多现有近似方法的误差可能高达数倍，导致不可行或过度保守的规划。
• 该方法在2–6个状态维度的问题上可实现实时运行，总耗时5–10秒（不包括离线缓存），证明了其在在线规划中的可行性。
• 即使仅使用数千个蒙特卡洛样本，方差减少的估计器也能提供可靠的CP估计及其对应的标准误差，而近似方法则无法提供误差认证。
• 本研究中采用的条件乘法近似方案与真实CP值相差在2倍以内，但可能因主导误差源而出现高估或低估，凸显了认证估计的必要性。
• 蒙特卡洛采样的计算成本与路径规划本身相当，表明MC组件并未主导运行时间，尤其在并行化后更为明显。
• 该框架具有高度可并行性，其中主要计算开销（似然比计算）非常适合GPU加速，实际中可实现显著提速。