[论文解读] Fast Marching Tree: a Fast Marching Sampling-Based Method for Optimal Motion Planning in Many Dimensions

Lucas Janson, Edward Schmerling+2 more|arXiv (Cornell University)|Jun 15, 2013

Robotic Path Planning Algorithms参考文献 33被引用 19

一句话总结

该论文提出 FMT$^*$，一种基于采样的运动规划算法，结合了快速推进法（Fast Marching Methods）与 RRT/PRM$^*$ 的特性，实现了在高维空间中更快收敛的渐近最优性。通过在概率采样点上执行懒惰动态规划递归，FMT$^*$ 达到了 $O(n^{-1/d + \rho})$ 的收敛速率，优于 PRM$^*$ 和 RRT$^*$，在解的质量和计算时间方面表现更优，尤其在高维空间和碰撞检测代价高昂的情况下优势显著。

ABSTRACT

In this paper we present a novel probabilistic sampling-based motion planning algorithm called the Fast Marching Tree algorithm (FMT*). The algorithm is specifically aimed at solving complex motion planning problems in high-dimensional configuration spaces. This algorithm is proven to be asymptotically optimal and is shown to converge to an optimal solution faster than its state-of-the-art counterparts, chiefly PRM* and RRT*. The FMT* algorithm performs a "lazy" dynamic programming recursion on a predetermined number of probabilistically-drawn samples to grow a tree of paths, which moves steadily outward in cost-to-arrive space. As a departure from previous analysis approaches that are based on the notion of almost sure convergence, the FMT* algorithm is analyzed under the notion of convergence in probability: the extra mathematical flexibility of this approach allows for convergence rate bounds--the first in the field of optimal sampling-based motion planning. Specifically, for a certain selection of tuning parameters and configuration spaces, we obtain a convergence rate bound of order $O(n^{-1/d+ρ})$, where $n$ is the number of sampled points, $d$ is the dimension of the configuration space, and $ρ$ is an arbitrarily small constant. We go on to demonstrate asymptotic optimality for a number of variations on FMT*, namely when the configuration space is sampled non-uniformly, when the cost is not arc length, and when connections are made based on the number of nearest neighbors instead of a fixed connection radius. Numerical experiments over a range of dimensions and obstacle configurations confirm our theoretical and heuristic arguments by showing that FMT*, for a given execution time, returns substantially better solutions than either PRM* or RRT*, especially in high-dimensional configuration spaces and in scenarios where collision-checking is expensive.

研究动机与目标

• 开发一种基于采样的运动规划算法，实现渐近最优性，并且收敛速度优于现有方法（如 PRM$^*$ 和 RRT$^*$）。
• 通过在统一框架中结合单次查询（RRT 类）与多次查询（PRM 类）规划器的优势，弥合两者之间的差距。
• 采用概率收敛而非几乎必然收敛的理论框架，从而首次推导出最优基于采样的运动规划中的收敛速率边界。
• 将算法扩展至非均匀采样、通用代价函数以及 k-近邻连接，提升其在复杂规划场景中的适用性。
• 通过实验验证，FMT$^*$ 在相同执行时间内提供的解显著优于 PRM$^*$ 和 RRT$^*$，尤其在高维空间和碰撞检测代价高昂的环境中表现突出。

提出的方法

• FMT$^*$ 在配置空间中固定数量的概率采样点上执行懒惰动态规划递归，以在到达代价空间中构建路径树。
• 该算法使用优先队列按到达代价递增的顺序处理节点，通过连接半径或 k-近邻方式将每个节点连接到其最低代价可行邻居。
• 采用‘懒惰’评估策略，将碰撞检查推迟到路径考虑扩展时才执行，从而提升计算效率。
• 该方法受求解 Eikonal 方程的快速推进法启发，实现了在配置空间中高效传播到达代价值。
• 理论分析基于概率收敛，允许推导出收敛速率边界，与以往依赖几乎必然收敛的工作不同。
• 提供了对非均匀采样分布、通用代价函数（不仅限于弧长）以及 k-近邻连接的扩展，增强了算法的鲁棒性与适应性。

实验结果

研究问题

• RQ1 基于采样的运动规划器是否能实现渐近最优性，并具备可证明的收敛速率，而非仅几乎必然收敛？
• RQ2 将单次查询方法的效率与多次查询方法的路线图结构相结合，是否能加速向最优解的收敛？
• RQ3 是否能严格推导出最优基于采样的运动规划中的收敛速率边界？此类边界的数学形式是什么？
• RQ4 在非均匀采样分布和通用代价函数下，FMT$^*$ 的性能相较于标准公式如何？
• RQ5 FMT$^*$ 的 k-近邻变体在解的质量上是否优于互为 k-近邻的 PRM$^*$ 图？

主要发现

• FMT$^*$ 在一般条件下（包括非均匀采样和通用代价函数）实现渐近最优性，并具备概率收敛的理论保证。
• 该算法展现出 $O(n^{-1/d + \rho})$ 的收敛速率，其中 $n$ 为采样点数，$d$ 为配置空间维度，$\rho > 0$ 为任意小的正数，这是最优基于采样运动规划中首次获得此类速率边界。
• 在给定执行时间内，FMT$^*$ 返回的解显著优于 PRM$^*$ 和 RRT$^*$，尤其在高维空间和碰撞检测代价高昂的场景中表现更优。
• FMT$^*$ 的 k-近邻变体可返回严格优于互为 k-近邻的 PRM$^*$ 图的解，原因在于其连接方式更具灵活性且更注重代价感知。
• 数值实验验证了 FMT$^*$ 比 PRM$^*$ 和 RRT$^*$ 更快收敛至最优解，在维度高于 10 及复杂障碍物配置下性能提升显著。
• 理论分析证实，k-近邻图中的最长边以概率收敛至零，其速率可确保连通性与最优性，且满足 $\mathbb{P}(\hat{e}_n^{\text{max}} > e_n) \leq n^{-16}$（当 $n$ 较大时），意味着极高的连通概率。