[论文解读] Improving Trajectory Optimization using a Roadmap Framework

Siyu Dai, Matthew Orton+3 more|arXiv (Cornell University)|Nov 5, 2018

Robotic Path Planning Algorithms参考文献 13被引用 4

一句话总结

本文提出了一种混合运动规划框架，结合稀疏路网与使用TrajOpt的轨迹优化，以实现快速、可行且最优的机器人轨迹。通过以路网生成的路径作为TrajOpt的初始解，该方法将规划时间控制在1秒以下，同时相比独立的规划器，提升了路径最优性并降低了碰撞率，在实时机器人应用中表现出更优的性能。

ABSTRACT

We present an evaluation of several representative sampling-based and optimization-based motion planners, and then introduce an integrated motion planning system which incorporates recent advances in trajectory optimization into a sparse roadmap framework. Through experiments in 4 common application scenarios with 5000 test cases each, we show that optimization-based or sampling-based planners alone are not effective for realistic problems where fast planning times are required. To the best of our knowledge, this is the first work that presents such a systematic and comprehensive evaluation of state-of-the-art motion planners, which are based on a significant amount of experiments. We then combine different stand-alone planners with trajectory optimization. The results show that the combination of our sparse roadmap and trajectory optimization provides superior performance over other standard sampling-based planners combinations. By using a multi-query roadmap instead of generating completely new trajectories for each planning problem, our approach allows for extensions such as persistent control policy information associated with a trajectory across planning problems. Also, the sub-optimality resulting from the sparsity of roadmap, as well as the unexpected disturbances from the environment, can both be overcome by the real-time trajectory optimization process.

研究动机与目标

• 解决独立采样式或优化式规划器在实时机器人运动规划中的局限性。
• 将轨迹优化集成到稀疏路网框架中，以提升解的质量与规划速度。
• 通过预计算的路网实现在多个规划查询间持久的控制策略信息。
• 通过实时轨迹优化，克服路网稀疏性与环境扰动带来的次优性问题。
• 开发一种反应式运动执行系统，能够在动态扰动下实现快速重规划。

提出的方法

• 该框架使用预计算的稀疏路网为每个规划查询生成初始可行路径。
• 采用TrajOpt对路网生成的轨迹进行优化，整合动力学约束、执行器限制与时间约束。
• 路网通过类似PRM的方法构建，并预计算近似最短路径（APSP），以实现快速查询响应。
• TrajOpt使用凸-凸碰撞检测与序列二次规划，高效优化轨迹，同时避免陷入局部极小值。
• 路网生成的初始轨迹作为高质量种子，显著提升收敛速度与解的质量。
• 系统支持增量式更新，通过运行时修改路网连接性以应对动态障碍物。

实验结果

研究问题

• RQ1 稀疏路网结合轨迹优化是否在规划速度、可行性与路径最优性方面优于独立的采样式或优化式规划器？
• RQ2 以路网生成的轨迹作为TrajOpt的种子，对TrajOpt的收敛性与性能有何影响？
• RQ3 该路网框架在多轮规划查询中，能在多大程度上支持持久的控制策略信息？
• RQ4 该混合系统在实时规划中，对环境扰动与动态障碍物的处理能力如何？
• RQ5 当以路网作为种子时，能否有效利用TrajOpt中集成的动力学与时间约束？

主要发现

• 在四个应用场景的5000次测试用例中，路网种子驱动的TrajOpt方法平均规划时间低于1秒。
• 在带箱子的货架环境中，路网种子驱动的TrajOpt平均碰撞率降至0.06%，而仅使用路网时为1.98%。
• 与仅使用路网相比，路网种子驱动的TrajOpt生成的路径显著更优，部分场景下平均路径长度减少高达33%。
• 该组合在所有测试环境中均实现了超过98%的成功率，优于独立的RRT*、RRT与LazyPRM，在速度与可靠性方面表现更优。
• 该方法对扰动与路网稀疏性导致的次优性表现出鲁棒性，实时优化可纠正意外变化。
• 通过重用路网结构，该框架实现了在多个规划查询间持久的控制策略信息，支持反应式运动执行。