[论文解读] Computationally-Efficient Roadmap-based Inspection Planning via Incremental Lazy Search

Mengyu Fu, Oren Salzman+1 more|arXiv (Cornell University)|Mar 25, 2021

Robotic Path Planning Algorithms参考文献 50被引用 6

一句话总结

本文提出 IRIS_CLI，即增量随机检查-路线图搜索（IRIS）算法的增强版本，通过覆盖率感知采样和增量懒惰搜索（搜索努力复用）实现计算高效的基于路线图的检查规划。该方法在保持渐近最优性的同时，将达到60%检查覆盖率的时间加速了高达570倍，在桥梁和外科检查模拟中显著优于先前的方法。

ABSTRACT

The inspection-planning problem calls for computing motions for a robot that allow it to inspect a set of points of interest (POIs) while considering plan quality (e.g., plan length). This problem has applications across many domains where robots can help with inspection, including infrastructure maintenance, construction, and surgery. Incremental Random Inspection-roadmap Search (IRIS) is an asymptotically-optimal inspection planner that was shown to compute higher-quality inspection plans orders of magnitudes faster than the prior state-of-the-art method. In this paper, we significantly accelerate the performance of IRIS to broaden its applicability to more challenging real-world applications. A key computational challenge that IRIS faces is effectively searching roadmaps for inspection plans -- a procedure that dominates its running time. In this work, we show how to incorporate lazy edge-evaluation techniques into \iris's search algorithm and how to reuse search efforts when a roadmap undergoes local changes. These enhancements, which do not compromise IRIS's asymptotic optimality, enable us to compute inspection plans much faster than the original IRIS. We apply IRIS with the enhancements to simulated bridge inspection and surgical inspection tasks and show that our new algorithm for some scenarios can compute similar-quality inspection plans 570x faster than prior work.

研究动机与目标

• 为解决基于路线图的检查规划计算成本高昂的问题，尤其是在路线图变密集时图搜索的开销增大。
• 在不牺牲解质量保证的前提下，提升 IRIS（一种渐近最优的检查规划器）的效率。
• 通过复用先前搜索的努力，在路线图发生局部变化时减少图搜索中的冗余计算。
• 通过优先采样能提升对先前未见兴趣点（POIs）检查覆盖率的样本，加速路线图构建。
• 为时间敏感的应用（如内窥镜手术和基于无人机的基础设施检查）提供更快、更高质量的检查规划。

提出的方法

• 在路线图构建过程中引入覆盖率感知采样，以减少无法检查新 POIs 的采样数量，从而生成更具信息量且更紧凑的路线图。
• 采用优化的懒惰边评估技术，在图搜索过程中仅在必要时才执行昂贵的边验证，从而减少冗余计算。
• 在路线图增量更新时复用搜索数据结构和部分搜索结果，避免从头开始完全重新计算。
• 通过确保随着路线图随时间变密集，搜索空间始终保持完全探索，从而维持渐近最优性。
• 将这些技术整合进 IRIS 框架，实现更快收敛至高质量的检查规划。
• 采用适用于柔性机器人（如 CRISP）的配置空间模型，其正向运动学计算成本高昂，因此高效搜索至关重要。

实验结果

研究问题

• RQ1 懒惰边评估和搜索努力复用是否能显著减少基于路线图的检查规划中图搜索所花费的时间？
• RQ2 覆盖率感知采样在多大程度上提升了路线图质量，并减少了路线图构建过程中的冗余采样？
• RQ3 增量搜索复用和懒惰评估在不损失最优性的情况下，能在多大程度上加速收敛至高质量检查规划？
• RQ4 在真实检查场景中，增强版 IRIS 算法与原始 IRIS 和 RRTOT 相比性能如何？
• RQ5 所提方法是否能在时间敏感的应用（如内窥镜手术和无人机桥梁检查）中实现显著加速？

主要发现

• 在桥梁检查任务中，IRIS_CLI 达到60%检查覆盖率的时间相比先前工作提速高达570倍，同时保持了相似的规划质量。
• 在胸膜腔检查中，IRIS_CLI 比原始 IRIS 多实现12%的覆盖率，且在达到67%覆盖率时快6倍。
• 在手术场景中，IRIS_CLI 在67%覆盖率时的图搜索时间比原始 IRIS 快超过3,200倍。
• 在相同计算时间内，IRIS_CLI 的检查覆盖率比原始 IRIS 高23%，证明了其更高的效率。
• 在桥梁检查中，IRIS_CLI 在60%覆盖率时比 RRTOT 多实现44%的覆盖率，且搜索效率高出830倍。
• 覆盖率感知采样与增量懒惰搜索的结合，实现了显著加速，且未损害渐近最优性。