[论文解读] A Configuration-Space Decomposition Scheme for Learning-based Collision Checking

Yiheng Han, Zhao Wang+4 more|arXiv (Cornell University)|Nov 17, 2019

Robotic Path Planning Algorithms参考文献 20被引用 4

一句话总结

本文提出一种基于配置空间分解的方案，将机器人的配置空间按自由度（DOF）划分为多个子空间，从而构建一种复合分类器，结合多个简单分类器（如SVM、KNN）以提升碰撞检测的准确性。该方法通过在准确性和推理速度上均优于单一分类器的基于学习的方法，显著减少了运动规划时间——在真实多机器人植物表型系统中实现了30%的加速。

ABSTRACT

Motion planning for robots of high degrees-of-freedom (DOFs) is an important problem in robotics with sampling-based methods in configuration space C as one popular solution. Recently, machine learning methods have been introduced into sampling-based motion planning methods, which train a classifier to distinguish collision free subspace from in-collision subspace in C. In this paper, we propose a novel configuration space decomposition method and show two nice properties resulted from this decomposition. Using these two properties, we build a composite classifier that works compatibly with previous machine learning methods by using them as the elementary classifiers. Experimental results are presented, showing that our composite classifier outperforms state-of-the-art single classifier methods by a large margin. A real application of motion planning in a multi-robot system in plant phenotyping using three UR5 robotic arms is also presented.

研究动机与目标

• 通过改进基于学习的近似碰撞检测方法，解决高自由度机器人运动规划中精确碰撞检测的高计算成本问题。
• 克服单一二元分类器将整个配置空间视为单一整体所带来的局限性，从而在复杂环境中提升检测准确性。
• 开发一种与现有基于学习的方法兼容的复合分类器框架，通过空间分解提升分类性能。
• 在障碍物复杂度逐步增加的合成环境以及真实世界中的多机器人植物表型系统中，验证该方法的有效性。

提出的方法

• 基于机器人的自由度（DOFs）将配置空间 $\mathcal{C}$ 分解为多个子空间，实现局部分类。
• 通过在每个分解后的子空间上训练的多个基础分类器（如SVM、KNN）组合，构建复合分类器 $F_{\text{comp}}$。
• 利用分解的两个关键特性：(1) 子空间更具线性可分性，(2) 局部分类器比全局分类器泛化能力更强。
• 使用复合分类器在基于采样的运动规划（如RRT）中执行快速近似碰撞检测，减少对昂贵的精确碰撞检测器（如FCL）的依赖。
• 将复合分类器集成到RRT框架中，用于过滤明显处于碰撞或自由状态的样本，从而最小化所需精确检查的次数。
• 对模糊样本进行最终的精确碰撞检查（通过FCL），并对任何处于碰撞状态的路径段进行局部修复。

实验结果

研究问题

• RQ1 基于自由度对配置空间进行分解，是否能提升高自由度机器人中基于学习的碰撞检测准确性？
• RQ2 在复杂环境中，基于自由度子空间训练的多个基础分类器构建的复合分类器，是否优于单一分类器？
• RQ3 与精确碰撞检测和先前的基于学习的方法相比，该方法在多大程度上减少了运动规划时间？
• RQ4 复合分类器能否在不修改核心架构的前提下，有效集成到现有的基于采样运动规划流水线中？
• RQ5 在具有复杂碰撞约束的真实多机器人系统（如植物表型）中，该方法表现如何？

主要发现

• 在真实多机器人植物表型系统中，复合分类器 $F_{SVM}$ 将每轮平均运动规划时间从1.0秒减少至0.692秒，实现了30%的加速。
• 在障碍物数量从1增加到8的合成环境中，复合分类器显著优于单一分类器，在3秒时间限制内实现了更高的成功率。
• 复合分类器通过减少误报和漏报，显著降低了对FCL进行精确碰撞检查的次数，从而减少了路径修复的次数。
• 复合分类器在分类准确率和查询时间上均优于单个分类器（如Fastron、SVM、KNN）。
• 该方法与OMPL的RRT等现有SBMP框架兼容，支持即插即用式集成，无需修改核心规划流水线。
• 分解方案提升了泛化能力，因为每个基础分类器均在更同质、低维的子空间中运行，从而增强了整体鲁棒性。