[论文解读] Advanced BIT* (ABIT*): sampling-based planning with advanced graph-search techniques

Marlin P. Strub, Jonathan D. Gammell|arXiv (Cornell University)|Feb 16, 2020

Robotic Path Planning Algorithms参考文献 33被引用 85

一句话总结

本文提出高级BIT*（ABIT*），一种基于采样的路径规划算法，结合了任意时间图搜索技术（如膨胀搜索和截断搜索）与一种任意时间、近乎必然渐近最优的基于采样近似方法。与现有的单次查询规划器（如RRT*、RRT*和BIT*）相比，ABIT*在高维空间（R4和R8）中实现了更快的初始解时间并提升了收敛到最优解的性能，同时在莫哈韦沙漠的NASA/JPL-Caltech Axel火星车实地测试中展现了实际应用性能。

ABSTRACT

Path planning is an active area of research essential for many applications in robotics. Popular techniques include graph-based searches and sampling-based planners. These approaches are powerful but have limitations.This paper continues work to combine their strengths and mitigate their limitations using a unified planning paradigm. It does this by viewing the path planning problem as the two subproblems of search and approximation and using advanced graph-search techniques on a sampling-based approximation.This perspective leads to Advanced BIT*. ABIT* combines truncated anytime graph-based searches, such as ATD*, with anytime almost-surely asymptotically optimal sampling-based planners, such as RRT*. This allows it to quickly find initial solutions and then converge towards the optimum in an anytime manner. ABIT* outperforms existing single-query, sampling- based planners on the tested problems in ℝ4 and ℝ8, and was demonstrated on real-world problems with NASA/JPL-Caltech.

研究动机与目标

• 为解决传统基于采样规划器的局限性，例如随机搜索顺序和缺乏任意时间性能保证。
• 通过将先进图搜索技术整合到基于采样框架中，改进现有单次查询、近乎必然渐近最优规划器。
• 通过动态膨胀和截断策略实现更快的最优解收敛，同时避免计算资源的浪费。
• 在R4和R8的合成问题以及使用Axel火星车的现实世界自主导航任务中验证该方法。

提出的方法

• ABIT*将路径规划问题分解为两个子问题：近似（通过增量采样）和搜索（通过先进图搜索技术）。
• 采用基于采样的近似方法构建日益密集的随机几何图（RGG），避免事先离散化。
• 搜索阶段应用截断的任意时间图搜索算法（如ATD*），优先考虑具有高潜在解质量的状态。
• 使用膨胀启发式方法引导搜索朝向目标，以实现快速初始解，并在达到足够解质量边界后截断搜索。
• ABIT*维护单一边队列，并以面向对象的方式缓存已检查碰撞的边，简化实现并避免重复检查。
• 灵活的膨胀和截断因子更新策略可根据近似精度动态调整，确保高效探索与利用。

实验结果

研究问题

• RQ1 能否有效将如膨胀和截断等先进图搜索技术集成到基于采样规划中，以提升任意时间性能？
• RQ2 与RRT*或RRT-Connect中采样与搜索紧密耦合的方式相比，ABIT*中近似与搜索的分离如何提升解质量与收敛速度？
• RQ3 在R8等高维空间中，ABIT*相较于现有单次查询、近乎必然渐近最优规划器的性能优势有多大？
• RQ4 ABIT*能否在保持渐近最优性的同时实现更快的初始解时间，并避免计算浪费？
• RQ5 在具有复杂地形和动态约束的现实世界机器人路径规划任务中，ABIT*表现如何？

主要发现

• 在R4和R8问题上，ABIT*在初始解质量和收敛速度方面优于RRT*、RRT-Connect、RRT#、LBT-RRT和BIT*。
• 在墙缝问题和随机矩形问题中，ABIT*的中位初始解成本显著低于BIT*及其他竞争者，且收敛到最优解的速度更快。
• 在R8中随机矩形问题的最佳和最坏实例中，ABIT*展现出更高的成功率和更低的中位解成本，而LBT-RRT、RRT*和RRT#在最坏情况下成功率不足50%。
• ABIT*通过在莫哈韦沙漠为期一周的实地测试，成功实现了NASA/JPL-Caltech Axel火星车的自主导航，验证了其在真实世界中的可行性。
• 即使使用平凡启发式（零膨胀），ABIT*仍保持强大性能，表明其对启发式质量具有鲁棒性。
• ABIT*在简化架构下（仅使用一个边队列和面向对象的边缓存）实现了与BIT*相当的性能，且未牺牲计算效率。