[論文レビュー] Near-Optimal Edge Evaluation in Explicit Generalized Binomial Graphs

Sanjiban Choudhury, Shervin Javdani+2 more|arXiv (Cornell University)|Jun 28, 2017

Machine Learning and Algorithms参考文献 23被引用数 9

ひとこと要約

本稿では、ロボット運動計画に用いられる明示的で一般化された二項グラフにおける効率的なエッジ評価のための近似的最適なアルゴリズム、BiSECtを提案する。エッジを独立したベルヌーイ確率変数としてモデル化し、適応的サブモジュラリティを満たす代理目的関数を活用することで、エッジ数に対して指数的から線形へと計算複雑度を低減し、移動ロボット、アーム型マニピュレータ、実機ヘリコプター飛行データのあらゆる分野で、高価な衝突検出評価を最小限に抑えながら、最先端手法を著しく上回る性能を発揮する。

ABSTRACT

Robotic motion-planning problems, such as a UAV flying fast in a partially-known environment or a robot arm moving around cluttered objects, require finding collision-free paths quickly. Typically, this is solved by constructing a graph, where vertices represent robot configurations and edges represent potentially valid movements of the robot between these configurations. The main computational bottlenecks are expensive edge evaluations to check for collisions. State of the art planning methods do not reason about the optimal sequence of edges to evaluate in order to find a collision free path quickly. In this paper, we do so by drawing a novel equivalence between motion planning and the Bayesian active learning paradigm of decision region determination (DRD). Unfortunately, a straight application of existing methods requires computation exponential in the number of edges in a graph. We present BISECT, an efficient and near-optimal algorithm to solve the DRD problem when edges are independent Bernoulli random variables. By leveraging this property, we are able to significantly reduce computational complexity from exponential to linear in the number of edges. We show that BISECT outperforms several state of the art algorithms on a spectrum of planning problems for mobile robots, manipulators, and real flight data collected from a full scale helicopter.

研究の動機と目的

• 運動計画におけるエッジ評価の高コストな計算を解消すること。各エッジのチェックには高価な衝突検出が含まれる。
• 可能な経路同定問題をベイジアンアクティブラーニングにおける意思決定領域決定（DRD）問題に再定式化すること。
• 情報の得られるエッジを選択しつつ、合計評価コストを最小化する効率的なアルゴリズムを開発すること。
• 従来手法が要請する指数的時間ではなく、線形時間の計算量で近似的最適性を達成すること。
• 移動ロボット、マニピュレータ、実機UAV飛行データを含む多様な運動計画問題に対して、本手法の有効性を検証すること。

提案手法

• 著者らは、可能な経路同定問題とDRD問題との間の同値性を確立し、経路を意思決定領域とし、エッジ評価をテストとして定式化する。
• エッジが独立したベルヌーイ確率変数であると仮定するベルヌーイ-DRD問題を定義し、問題の構造を単純化する。
• BiSECtは、適応的サブモジュラリティを満たす代理目的関数を用い、理論的近似的最適性の保証を得たグリーディ選択を可能にする。
• 独立性とサブモジュラリティ構造を活用することで、NaiveなDRD手法のO(2^E)のコストを回避し、O(E)時間でエッジ選択を計算する。
• 期待情報量の増加に基づいてエッジを優先順位付けするグリーディポリシーを採用し、MVoI（情報の限界的価値）目的関数の変種を用いる。
• MaxProbRegと呼ばれる変種は、戦略的なエッジ選択により領域確率を1に近づけることで収束を加速する。

実験結果

リサーチクエスチョン

• RQ1 運動計画における可能な経路同定問題を、ベイジアンアクティブラーニングにおける意思決定領域決定（DRD）問題に再定式化できるか？
• RQ2 DRDに基づくエッジ選択の計算複雑度を、エッジ数に対して指数的から線形に低減できるか？
• RQ3 独立したベルヌーイエッジ変数の文脈において、代理目的関数に基づくグリーディポリシーが、効率的な計算を実現しながらも近似的最適性を維持できるか？
• RQ4 提案手法は、多様な運動計画シナリオにおける評価コストの観点から、最先端のヒューリスティクスと比較して優れた性能を示すか？
• RQ5 本手法は、複雑な運動学的制約を有するロボットアームや、ごみが散らばった環境におけるUAVなど、現実のロボットシステムに対しても効果的に適用可能か？

主な発見

• BiSECtは13のデータセットすべてで競争力のある性能を発揮し、そのうち8つで最良の結果を達成。他の手法と比較して、正規化された評価コストが顕著に低かった。
• MaxProbRegの変種は13のデータセットの12つで性能を向上させ、特にランダムデータセットではコストが最大20倍まで低減された。これは収束が速くなったためである。
• 2次元計画タスクでは、BiSECtはMaxTallyとMVoIヒューリスティクスを上回り、経路の除外と高確率経路の検証の両方を動的にバランスさせる。
• 実機ヘリコプター飛行データでは、BiSECtは衝突のない経路を効果的に同定しながら、エッジ評価回数を最小限に抑え、複雑で動的な環境でも有効性を示した。
• BiSECtの代理目的関数は、Chenら[4]と同等の理論的近的最適性バウンダリーを維持しながら、計算量をO(2^E)からO(E)に削減した。
• アルゴリズムは後方確率空間において「ラッチング」挙動を示し、影響力の高いエッジが迅速に領域確率を1に引き上げ、収束を加速する。