[论文解读] Generalized Lazy Search for Robot Motion Planning: Interleaving Search and Edge Evaluation via Event-based Toggles

Aditya Mandalika, Sanjiban Choudhury+2 more|arXiv (Cornell University)|Apr 4, 2019

Robotic Path Planning Algorithms被引用 15

一句话总结

本文提出广义懒惰搜索（GLS），一种通过事件触发机制在搜索与边评估之间动态切换的框架，以平衡顶点重连与边评估的计算开销。GLS 通过基于学习的先验知识智能触发边评估，在复杂环境中显著减少总规划时间，相比 LazySP 和 LRA*，在测试场景中实现最高达 35% 的规划加速。

ABSTRACT

Lazy search algorithms can efficiently solve problems where edge evaluation is the bottleneck in computation, as is the case for robotic motion planning. The optimal algorithm in this class, LazySP, lazily restricts edge evaluation to only the shortest path. Doing so comes at the expense of search effort, i.e., LazySP must recompute the search tree every time an edge is found to be invalid. This becomes prohibitively expensive when dealing with large graphs or highly cluttered environments. Our key insight is the need to balance both edge evaluation and search effort to minimize the total planning time. Our contribution is two-fold. First, we propose a framework, Generalized Lazy Search (GLS), that seamlessly toggles between search and evaluation to prevent wasted efforts. We show that for a choice of toggle, GLS is provably more efficient than LazySP. Second, we leverage prior experience of edge probabilities to derive GLS policies that minimize expected planning time. We show that GLS equipped with such priors significantly outperforms competitive baselines for many simulated environments in R2, SE(2) and 7-DoF manipulation.

研究动机与目标

• 为解决现有懒惰搜索算法在机器人运动规划中效率低下的问题，即过度的顶点重连或边评估导致规划时间过长。
• 设计一种灵活的框架，实现搜索开销与边评估之间的自适应权衡，以最小化总规划时间。
• 推导 GLS 的策略，利用边有效性的先验概率以最小化期望规划时间。
• 证明在多样化运动规划领域中，结合学习先验知识的 GLS 显著优于当前最先进基线方法。

提出的方法

• GLS 引入两个核心组件：触发从搜索切换到评估的‘事件’，以及选择最短子路径上评估哪条边的‘选择器’。
• 该框架维护一个懒惰的最短路径树，仅在事件条件满足时才评估边，从而确保搜索树的一致性与最优性。
• 不同事件与选择器的组合可恢复已知算法（如 LazySP、LWA* 和 LRA*），实现对现有方法的统一分析。
• 论文基于边先验概率，推导出最优事件与选择器策略，以最小化期望规划时间，并为性能提升提供理论保证，优于 LazySP。
• 框架采用 FailFast 选择器，检查子路径中最薄弱的环节，实现对不可行路径的早期拒绝，从而减少重连开销。
• 基于子路径存在的事件被证明是边最优的，且相比 LazySP 减少了顶点重连次数，如定理 4.3 所示。

实验结果

研究问题

• RQ1 能否设计一种广义懒惰搜索框架，以动态平衡搜索开销与边评估，从而最小化总规划时间？
• RQ2 如何利用基于事件的切换机制，实现优于现有懒惰搜索算法（如 LazySP）的可证明性能提升？
• RQ3 当已知边有效性的先验概率时，选择事件与选择器的最优策略是什么？
• RQ4 在高维与高 clutter 环境中，结合学习先验知识的 GLS 是否能显著减少规划时间，相比竞争性基线方法？

主要发现

• 在 SE(2) 空间的钢琴移动者问题中，使用 SubpathExistence 事件与 FailFast 选择器的 GLS，相比 LazySP 将总规划时间减少高达 35%。
• 在 7-DoF 操控任务中，GLS（SubpathExistence, FailFast）的平均规划时间为 1.64 秒，优于 LazySP（2.02 秒）与 LRA*（2.77 秒）。
• SubpathExistence 事件被证明是边最优的，且相比 LazySP 导致更少的顶点重连，如定理 4.3 所示。
• 在高密度障碍物环境中，GLS 的规划时间随图规模增大趋于饱和，而 LazySP 的时间呈线性增长，表明 GLS 具有更优的可扩展性。
• 在复杂场景中，FailFast 选择器相比 LazySP 将重连时间减少 80% 以上，仅带来适度的边评估成本增加。
• 图 9 与图 10 的可视化结果表明，相比 LazySP，GLS 显著减少了重连的顶点数（例如首次迭代中 1,235 vs. 12,495）与评估的边数（171 vs. 63）。