[论文解读] Improving Path Planning Performance through Multimodal Generative Models with Local Critics

Jorge Ocampo Jimenez, Wael Suleiman|arXiv (Cornell University)|Jun 15, 2023

Human Pose and Action RecognitionComputer Science被引用 3

一句话总结

该论文提出了一种基于变分自编码器（VAE）条件化的Wasserstein GAN与梯度惩罚（WGAN-GP）的多模态生成模型，用于在未知且充满障碍物的环境中加速路径规划。通过将配置空间划分为局部高斯模型并采用局部判别器，该方法提升了训练稳定性，加速了收敛，并在未见过的场景中实现了准最优路径生成，其在重建无碰撞配置空间方面优于标准的WGAN-GP-VAE方法。

ABSTRACT

This paper presents a novel method for accelerating path planning tasks in unknown scenes with obstacles by utilizing Wasserstein Generative Adversarial Networks (WGANs) with Gradient Penalty (GP) to approximate the distribution of the free conditioned configuration space. Our proposed approach involves conditioning the WGAN-GP with a Variational Auto-Encoder in a continuous latent space to handle multimodal datasets. However, training a Variational Auto-Encoder with WGAN-GP can be challenging for image-to-configuration-space problems, as the Kullback-Leibler loss function often converges to a random distribution. To overcome this issue, we simplify the configuration space as a set of Gaussian distributions and divide the dataset into several local models. This enables us to not only learn the model but also speed up its convergence. We evaluate the reconstructed configuration space using the homology rank of manifolds for datasets with the geometry score. Furthermore, we propose a novel transformation of the robot's configuration space that enables us to measure how well collision-free regions are reconstructed, which could be used with other rank of homology metrics. Our experiments show promising results for accelerating path planning tasks in unknown scenes while generating quasi-optimal paths with our WGAN-GP. The source code is openly available.

研究动机与目标

• 解决在复杂、未知的配置空间中存在障碍物时，基于采样的路径规划方法速度慢且效率低的问题。
• 改善基于图像输入条件化的生成对抗网络（GAN）在建模多模态无碰撞配置空间时的训练稳定性和收敛性。
• 通过学习一个连续的潜在空间以插值已知障碍物配置之间的关系，实现对未见场景的泛化能力。
• 开发一种基于同调秩的鲁棒评估指标，用于量化配置空间重建的质量。
• 通过使用学习到的生成模型生成准最优、无碰撞的路径，提升路径规划效率。

提出的方法

• 将WGAN-GP生成器基于VAE学习到的潜在向量进行条件化，该潜在向量由障碍物配置的RGB图像提取，以实现从图像到配置空间的映射。
• 将配置空间分解为局部区域，并以高斯分布进行建模，以简化训练过程并防止模式崩溃。
• 在WGAN-GP框架中引入局部判别器，以提升配置空间各局部区域的训练稳定性和分布逼近效果。
• 应用Wasserstein损失函数并引入梯度惩罚，以稳定训练过程，避免在高维、多模态设置下发生模式崩溃。
• 通过计算重建后配置空间的补集来计算同调秩，从而实现对无碰撞区域拓扑结构重建的拓扑评估。
• 独立训练VAE与WGAN-GP模型，以降低复杂度并提升收敛性，同时利用连续潜在空间实现对未见障碍物布局的零样本泛化。

实验结果

研究问题

• RQ1 基于VAE条件化的WGAN-GP能否有效建模用于机器人路径规划的多模态、图像条件化配置空间？
• RQ2 将配置空间划分为局部高斯模型在多大程度上提升了生成模型的训练稳定性和收敛性？
• RQ3 局部判别器在多大程度上提升了配置空间重建质量与路径规划性能？
• RQ4 同调秩指标能否准确评估生成的无碰撞配置空间的拓扑保真度？
• RQ5 该模型在未见障碍物配置布局（训练数据中未出现）下的泛化能力如何？

主要发现

• 所提出的带局部判别器与VAE条件化的MultiWGAN-GP在训练速度与稳定性方面优于标准的WGAN-GP-VAE模型。
• 该模型成功重建了无碰撞配置空间的拓扑结构，经由同调秩指标验证，表明其准确捕捉了自由空间中的孔洞与聚类结构。
• 该方法在未见场景中生成了准最优路径，其成功率达到高于基线RRT与RRT*算法的水平。
• 局部判别器显著改善了分布逼近效果，减少了模式崩溃现象，并提升了生成配置状态的多样性与有效性。
• 通过将配置空间分解为局部模型，降低了每个区域分布学习的复杂度，从而实现了更快的收敛速度。
• 该模型展示了出色的零样本泛化能力，能够为训练过程中未见过的障碍物布局生成有效路径，这得益于VAE学习到的连续潜在空间。