[论文解读] Fastron: An Online Learning-Based Model and Active Learning Strategy for Proxy Collision Detection

N. R. Das, Naman Gupta+1 more|arXiv (Cornell University)|Sep 7, 2017

Machine Learning and Algorithms被引用 4

一句话总结

Fastron 提出了一种基于在线学习的代理碰撞检测模型，采用改进的核感知机与主动学习方法，加速了 C 空间碰撞检查。该方法在无需 GPU 或并行化的情况下，实现了相较于高精度运动学碰撞检测高达 8× 的加速，同时在动态环境中保持了高查全率和低误报率，并通过迭代模型更新实现自适应。

ABSTRACT

We introduce the Fastron, a configuration space (C-space) model to be used as a proxy to kinematic-based collision detection. The Fastron allows iterative updates to account for a changing environment through a combination of a novel formulation of the kernel perceptron learning algorithm and an active learning strategy. Our simulations on a 7 degree-of-freedom arm indicate that proxy collision checks may be performed at least 2 times faster than an efficient polyhedral collision checker and at least 8 times faster than an efficient high-precision collision checker. The Fastron model provides conservative collision status predictions by padding C-space obstacles, and proxy collision checking time does not scale poorly as the number of workspace obstacles increases. All results were achieved without GPU acceleration or parallel computing.

研究动机与目标

• 降低机器人运动规划与迭代任务中基于运动学的碰撞检测（KCD）的计算负担。
• 实现在无须预先了解障碍物几何形状或运动轨迹的情况下，对 C 空间障碍物表示进行实时自适应调整。
• 开发一种轻量级、增量式学习模型，在最小化昂贵 KCD 查询次数的同时保持高精度。
• 证明代理碰撞检测可显著加速采样型运动规划器（如 RRT），而不会牺牲安全性或准确性。
• 提供一种可扩展、与硬件无关的碰撞检测解决方案，与 KCD 相辅相成而非替代，仅在关键模型更新时使用 KCD。

提出的方法

• Fastron 使用改进的核感知机算法，在配置空间（C 空间）中学习分离自由空间（C_free）与碰撞空间（C_obs）的决策边界。
• 该模型支持添加和移除支持点，从而在障碍物移动或新增时迭代更新决策边界。
• 采用主动学习策略，选择最具信息量的配置进行昂贵的 KCD 人工核查询，从而最小化所需的 KCD 评估次数。
• 算法通过定期获取障碍物位置与形状的快照来更新模型，使其能够适应动态环境而无需从头开始重新训练。
• C 空间障碍物被保守地扩大，以确保代理模型不会遗漏真实碰撞，从而在运动规划中保持安全性。
• 该方法完全在基于 CPU 的环境中运行，无需 GPU 加速或并行化，依赖高效的核计算与稀疏支持点表示。

实验结果

研究问题

• RQ1 基于学习的代理模型是否能在动态环境中保持高精度与安全性的同时，显著减少 C 空间碰撞检查时间？
• RQ2 在线核感知机结合主动学习在模型更新过程中，能否有效减少所需 KCD 查询的次数？
• RQ3 Fastron 模型在障碍物数量增加及配置变化时，其可扩展性如何？
• RQ4 在实时运动规划场景中，Fastron 与高精度和高速 KCD 方法相比，在速度与准确性方面表现如何？
• RQ5 Fastron 模型能否在不重新训练的情况下实现增量式更新以反映环境变化？其性能影响如何？

主要发现

• 在 7 自由度机械臂仿真中，Fastron 相较于高效的多面体碰撞检测器实现了至少 2× 的加速，相较于高精度碰撞检测器实现了高达 8× 的加速。
• 当使用 FCL 进行 KCD 时，N=4000 个支持点下，Fastron 仍能保持超过 90% 的查全率与低于 15% 的误报率，且随着障碍物数量增加依然稳定。
• 在 RRT 运动规划中，使用 FCL 时，基于 Fastron 的碰撞检查阶段比 KCD-RRT 快 3.7 倍；使用 GJK 时则快 1.6 倍。
• 模型更新时间随重标记允许度 A 的增加而上升，但典型配置下仍控制在 30 ms 以内，N=8000 且 A=0.3N 时更新时间为 123.3 ms。
• 随着数据集增大，查全率略有下降（如 N=8000 时为 90.6%），但仍高于 90%；而误报率因边界覆盖更优而随 N 增大而改善。
• 该方法在无 GPU 加速或并行化的 CPU 环境中运行高效，展示了与硬件无关的性能提升。