[논문 리뷰] Sampling-based Path Planning Algorithms: A Survey

Alka Choudhary|arXiv (Cornell University)|2023. 04. 23.

Robotic Path Planning Algorithms인용 수 5

한 줄 요약

이 종합적 서베이는 Probabilistic Roadmap (PRM) 및 Rapidly-exploring Random Tree (RRT) 계열에 중점을 두어 샘플링 기반 경로 계획 알고리즘을 종합적으로 분석한다. 이는 PRM* 및 RRT*와 같은 최적화된 변종을 포함한다. 논문은 완전성, 최적성, 시간 및 공간 복잡도, 장애물이 많은 환경에서의 성능을 평가하며, 기본 RRT와 PRM는 빠르지만 부분 최적의 해를 제공하는 반면, PRM*과 RRT*는 더 높은 계산 비용을 감수하면서 渐近 최적성(Asymptotic optimality)을 보장한다고 결론을 내린다.

ABSTRACT

Path planning is a classic problem for autonomous robots. To ensure safe and efficient point-to-point navigation an appropriate algorithm should be chosen keeping the robot's dimensions and its classification in mind. Autonomous robots use path-planning algorithms to safely navigate a dynamic, dense, and unknown environment. A few metrics for path planning algorithms to be taken into account are safety, efficiency, lowest-cost path generation, and obstacle avoidance. Before path planning can take place we need map representation which can be discretized or open configuration space. Discretized configuration space provides node/connectivity information from one point to another. While in open/free configuration space it is up to the algorithm to create a list of nodes and then find a feasible path. Both types of maps are populated by obstacle positions using perception obstacle detection techniques to represent current obstacles from the perspective of the robot. For open configuration spaces, sampling-based planning algorithms are used. This paper aims to explore various types of Sampling-based path-planning algorithms such as Probabilistic RoadMap (PRM), and Rapidly-exploring Random Trees (RRT). These two algorithms also have optimized versions - PRM* and RRT* and this paper discusses how that optimization is achieved and is beneficial.

연구 동기 및 목표

• 복잡한 환경에서 자율 로봇을 위한 샘플링 기반 경로 계획 알고리즘에 대한 체계적인 개요 제공.
• PRM, PRM*, RRT, RRT* 간의 완전성, 최적성, 시간 및 공간 복잡도 간의 상호 상충 관계 분석.
• PRM* 및 RRT*의 최적화 기법이 경로 품질과 계산 효율성에 미치는 영향 평가.
• 이 알고리즘들이 장애물이 많은 환경 및 큰 구성공간에서의 성능 비교.
• Informed RRT, k-RRT*, RRG 등의 고급 변종 검토를 통해 향후 연구 방향 도출.

제안 방법

• 샘플링 기반 알고리즘을 두 주요 계열로 분류: Probabilistic Roadmap (PRM) 및 Rapidly-exploring Random Tree (RRT).
• RRT 알고리즘의 과정 기술: 무작위 샘플링, 가장 가까운 이웃 탐색, 간선 유효성 검사, 목표에 도달하거나 반복 제한에 도달할 때까지 트리 확장.
• RRT*의 최적화 설명: k-최근접 이웃 선택, 비용 계산, 경로 비용을 최소화하고 渐近 최적성(Asymptotic optimality)을 보장하기 위한 동적 리와이어링.
• PRM의 접근 방식 제시: 자유 구성공간의 무작위 샘플링, 간선이 충돌 없이 연결 가능한 근접한 노드 간 연결, 이후 경로 쿼리용 그래프 구축.
• PRM*를 PRM의 최적화된 버전으로 도입: 적응형 샘플링과 리와이어링을 통해 渐近 최적성(Asymptotic optimality)을 달성하기 위한 경로 품질 향상.
• 완전성, 최적성, 시간 복잡도 O(n log n), 공간 복잡도 O(n) 또는 O(n log n)의 공식 정의를 사용한 알고리즘 구성 요소 비교.

실험 결과

연구 질문

• RQ1 PRM과 RRT는 경로 계획을 위한 구성공간 탐색 방식에서 어떻게 다릅니까?
• RQ2 RRT*와 PRM*는 완전성을 유지하면서도 어떻게 渐近 최적성(Asymptotic optimality)을 달성합니까?
• RQ3 RRT*에 포함된 k-최근접 이웃 탐색 및 리와이어링은 표준 RRT에 비해 경로 품질을 어떻게 향상합니까?
• RQ4 PRM, PRM*, RRT, RRT* 간의 시간 및 공간 복잡도 상호 간의 상충 관계는 어떻게 됩니까?
• RQ5 Informed RRT 및 k-RRT*와 같은 최적화 기법은 고차원 또는 장애물이 많은 환경에서 성능을 어떻게 향상합니까?

주요 결과

• PRM*와 RRT*는 渐近 최적성(Asymptotic optimality)을 달성하지만, PRM과 RRT는 최적 경로를 보장하지 않습니다.
• PRM, PRM*, RRT, RRT*의 네 알고리즘 모두 완전성(Completeness)을 보장합니다. 즉, 해가 존재할 경우 반드시 해를 찾을 수 있습니다.
• 모든 알고리즘의 시간 복잡도는 O(n log n)이며, PRM*의 공간 복잡도는 O(n log n)이지만, 나머지 알고리즘은 O(n)입니다.
• RRT*는 리와이어링 메커니즘과 비용 기반 노드 선택 덕분에 RRT보다 훨씬 더 직선적이고 짧은 경로를 생성합니다.
• 장애물이 많은 환경에서는 RRT*가 반복적 리와이어링을 통해 경로를 정밀하게 최적화할 수 있어 RRT보다 뛰어난 성능을 보입니다.
• RRT*에서 k-최근접 이웃의 사용은 국소 최적화를 가능하게 하고 부분 최적 경로의 분기 확률을 줄여 경로 품질을 향상시킵니다.