[论文解读] Graph Neural Networks for Motion Planning

Arbaaz Khan, Alejandro Ribeiro+2 more|arXiv (Cornell University)|Jun 11, 2020

Robotic Path Planning Algorithms参考文献 22被引用 15

一句话总结

本文提出使用图神经网络（GNNs）通过配置空间拓扑的排列不变编码来改进运动规划。GNNs通过学习关键节点识别和自适应采样分布，指导离散（A*）和基于采样的规划器（RRT），在包括6-DoF机械臂和摆动任务在内的低维与高维问题中，路径质量与采样效率均优于CNN、FCN和CVAE。

ABSTRACT

This paper investigates the feasibility of using Graph Neural Networks (GNNs) for classical motion planning problems. We propose guiding both continuous and discrete planning algorithms using GNNs' ability to robustly encode the topology of the planning space using a property called permutation invariance. We present two techniques, GNNs over dense fixed graphs for low-dimensional problems and sampling-based GNNs for high-dimensional problems. We examine the ability of a GNN to tackle planning problems such as identifying critical nodes or learning the sampling distribution in Rapidly-exploring Random Trees (RRT). Experiments with critical sampling, a pendulum and a six DoF robot arm show GNNs improve on traditional analytic methods as well as learning approaches using fully-connected or convolutional neural networks.

研究动机与目标

• 解决传统离散化方法失效且采样效率下降的高维运动规划挑战。
• 克服CNN与FCN在捕捉配置空间不规则拓扑结构方面的局限性。
• 利用GNN的排列不变性，实现对未见环境的泛化并提升规划器鲁棒性。
• 开发基于GNN的采样分布，以更少的采样次数更快引导RRT到达目标区域。
• 在关键样本检测与高维规划方面，证明GNN优于现有深度学习基线模型

提出的方法

• 在密集固定图上使用GNN编码低维配置空间的拓扑结构，并识别A*规划中的关键节点。
• 通过学习基于图结构与节点特征的配置空间采样分布，训练GNN以预测RRT中的下一个最优节点。
• 将节点特征定义为相对于起始与目标配置的距离：$\mathbf{x}_n = [x_{\text{init}} - x_n, x_{\text{goal}} - x_n]$。
• 通过RRT的离线轨迹收集数据$\{\mathcal{G}, \mathbf{x}, \mathbf{y}\}$，端到端训练基于GNN的采样器，其中$\mathbf{y}$为路径中的下一个节点。
• 在RRT/BiRRT中在线部署训练好的GNN采样器，动态更新图结构并基于当前拓扑重新预测下一个节点。
• 在关键样本检测与采样效率方面，将GNN与CVAE、GNN-CVAE及FCN基线进行比较

实验结果

研究问题

• RQ1 GNN能否在配置空间的静态密集图表示中有效学习关键节点识别，从而优于CNN与CVAE？
• RQ2 GNN能否学习一种采样分布，使RRT比均匀采样更快到达目标且节点数更少？
• RQ3 GNN的排列不变性是否使其在未见环境中的泛化能力优于CNN与FCN？
• RQ4 在具有运动学动力学约束的高维问题（如6-DoF机械臂）中，基于GNN的采样器表现如何？
• RQ5 在规划效率与采样使用方面，基于GNN的模型是否优于更复杂的生成模型（如CVAE）？”

主要发现

• 在摆动任务中，GNN显著减少了RRT的节点扩展数量——在路径长度与均匀采样相近的情况下，扩展次数更少。
• 在6-DoF机械臂任务中，基于GNN的采样器相比原始BiRRT及其他基线，减少了节点扩展数与碰撞检测次数。
• 在低维空间中，GNN-CVAE在识别A*规划所需的关键样本方面优于CVAE与FCN基线。
• GNN采样器通过引导树向目标区域生长，在BiRRT中实现了更快收敛，即使在具有狭窄通道的复杂环境中亦然。
• 由于GNN具有排列不变的归纳偏差，其在不同环境间的泛化能力优于CNN与FCN，实现了对未见配置的迁移。
• 基于GNN的采样器在不同障碍物配置下均保持性能稳定，展现出鲁棒性与可迁移性