[论文解读] Efficient Hierarchical Robot Motion Planning Under Uncertainty and Hybrid Dynamics

Ajinkya Jain, Scott Niekum|arXiv (Cornell University)|Feb 12, 2018

Robotic Path Planning Algorithms被引用 9

一句话总结

该论文提出了一种用于在不确定性和混合动力学条件下进行机器人运动规划的分层POMDP规划器，将问题分解为在局部动力学模型上的高层离散规划与低层连续信念空间规划。该方法在非线性、接触丰富的环境中实现了高效且鲁棒的规划——在模拟的飞机装配任务中，规划耗时14.682秒，并通过运动约束显著减少了不确定性。

ABSTRACT

Noisy observations coupled with nonlinear dynamics pose one of the biggest challenges in robot motion planning. By decomposing nonlinear dynamics into a discrete set of local dynamics models, hybrid dynamics provide a natural way to model nonlinear dynamics, especially in systems with sudden discontinuities in dynamics due to factors such as contacts. We propose a hierarchical POMDP planner that develops cost-optimized motion plans for hybrid dynamics models. The hierarchical planner first develops a high-level motion plan to sequence the local dynamics models to be visited and then converts it into a detailed continuous state plan. This hierarchical planning approach results in a decomposition of the POMDP planning problem into smaller sub-parts that can be solved with significantly lower computational costs. The ability to sequence the visitation of local dynamics models also provides a powerful way to leverage the hybrid dynamics to reduce state uncertainty. We evaluate the proposed planner on a navigation task in the simulated domain and on an assembly task with a robotic manipulator, showing that our approach can solve tasks having high observation noise and nonlinear dynamics effectively with significantly lower computational costs compared to direct planning approaches.

研究动机与目标

• 解决在存在噪声观测和接触导致的突发动力学变化的非线性、部分可观察系统中的规划挑战。
• 通过将问题分解为可管理的子问题，克服在长时域上完整POMDP规划的计算不可行性。
• 利用混合动力学模型——其中仅一个局部动力学模型在任一时刻激活——以简化复杂非线性动力学，并实现不确定性感知的规划。
• 使规划器能够利用任务特定约束（例如沿平面运动）主动减少状态不确定性，从而提高规划的鲁棒性。
• 开发一种可扩展、计算高效的规划框架，使其在高噪声和非线性环境下优于直接的POMDP方法。

提出的方法

• 使用混合动力学框架对机器人动力学进行建模，系统状态包含连续状态和表示当前激活的局部动力学模型的离散模式。
• 定义一个混合信念状态，以表示对连续状态和激活动力学模式的不确定性，使用混合信念传播方程。
• 将POMDP规划问题分解为两个层次：高层离散规划用于序列化局部动力学模型的访问顺序，随后进行低层连续信念空间规划。
• 利用高层规划来引导选择能够减少状态不确定性的局部动力学模型（例如，将运动约束在平面上），从而改善信息获取。
• 在两个层次上应用基于采样的POMDP求解器，高层规划器使用离散状态转移，低层规划器在信念不确定性的约束下优化连续轨迹。
• 将观测模型表述为零均值高斯噪声（w ~ N(0, 2I₂)），过程噪声为（v ~ N(0, I₂)），从而在混合信念框架内实现概率状态估计。

实验结果

研究问题

• RQ1 分层POMDP规划器是否能有效将长时域运动规划问题在不确定性下分解为更小、计算上可行的子问题？
• RQ2 在存在噪声或部分观测的情况下，如何利用混合动力学模型来减少状态不确定性？
• RQ3 在非线性、接触密集的任务中，局部动力学模型的序列化在多大程度上能提升规划的鲁棒性和计算效率？
• RQ4 规划器是否能利用任务特定约束（例如沿平面运动）主动减少不确定性，而无需额外传感器？
• RQ5 在复杂非线性领域中，与直接POMDP规划相比，所提出的分层方法在性能和计算时间上的表现如何？

主要发现

• 分层规划器成功为涉及将齿轮插入翼面孔洞的机器人装配任务生成了可行的运动规划，在标准CPU上耗时14.682秒完成任务。
• 规划器通过运动约束（例如平面运动）减少了不确定性，表现为轨迹在定位过程中保持在与翼面平行的平面内。
• 高层规划明确选择了局部动力学模型（例如沿边或平面运动）以引导机器人在执行精细插入前进入不确定性降低的区域。
• 通过使用离散模型序列化，规划器在高观测噪声（2×I₂协方差）下实现了对不确定性的鲁棒性，利用几何约束实现不确定性减少。
• 将问题分解为离散与连续规划层次显著降低了计算成本，相比直接POMDP规划，使复杂非线性领域中的可行规划成为可能。
• 该方法在模拟导航和机器人操作任务中均表现出有效性，表明混合动力学建模能够实现高效的信息获取运动规划。