[论文解读] Informable Multi-Objective and Multi-Directional RRT* System for Robot Path Planning

Jiunn-Kai Huang, Yingwen Tan+3 more|arXiv (Cornell University)|May 30, 2022

Robotic Path Planning Algorithms被引用 8

一句话总结

本文提出了一种任意时间、可提供信息的多目标、多方向 RRT*（IMOMD-RRT*）系统，用于在大规模复杂图上进行机器人路径规划。该系统结合了改进的 RRT* 算法与多项式时间松弛 TSP 求解器（ECI-Gen），可同时确定多目的地的最优路径与访问顺序。该系统在速度和内存使用方面优于 Bi-A* 和 ANA*，并能整合先验知识以摆脱如虫洞陷阱等复杂拓扑结构。

ABSTRACT

Multi-objective or multi-destination path planning is crucial for mobile robotics applications such as mobility as a service, robotics inspection, and electric vehicle charging for long trips. This work proposes an anytime iterative system to concurrently solve the multi-objective path planning problem and determine the visiting order of destinations. The system is comprised of an anytime informable multi-objective and multi-directional RRT* algorithm to form a simple connected graph, and a proposed solver that consists of an enhanced cheapest insertion algorithm and a genetic algorithm to solve the relaxed traveling salesman problem in polynomial time. Moreover, a list of waypoints is often provided for robotics inspection and vehicle routing so that the robot can preferentially visit certain equipment or areas of interest. We show that the proposed system can inherently incorporate such knowledge, and can navigate through challenging topology. The proposed anytime system is evaluated on large and complex graphs built for real-world driving applications. All implementations are coded in multi-threaded C++ and are available at: https://github.com/UMich-BipedLab/IMOMD-RRTStar.

研究动机与目标

• 解决自主机器人与车辆路径规划中同时进行多目标路径规划与访问顺序优化的挑战。
• 开发一种任意时间系统，能够随时间持续提升路径质量，适用于实时应用。
• 实现将先验知识（如偏好检查点或参考路径）整合到路径规划过程中的能力。
• 在大规模图结构地图上以多项式时间求解松弛旅行商问题（TSP）。
• 在包含数百万个节点与边的真实世界 OpenStreetMap 数据集上评估系统，验证其可扩展性与鲁棒性。

提出的方法

• 该系统使用一种任意时间、可提供信息的多目标、多方向 RRT*（IMOMD-RRT*）算法，从多个目标增量式构建连通、加权、无向图。
• IMOMD-RRT* 算法同时从每个目的地扩展树结构，实现多方向探索，并在复杂拓扑中保持连通性。
• 通过将用户指定的检查点视为伪目的地，将先验知识整合到系统中，引导树的扩展并帮助摆脱局部陷阱。
• 一种松弛 TSP 求解器 ECI-Gen 结合改进的最便宜插入算法与遗传算法，以多项式时间确定最优访问顺序。
• 整个系统采用多线程 C++ 实现，并在 GitHub 上发布，以确保可复现性。
• 该方法在大规模 OpenStreetMap 图上进行了评估，包括芝加哥（86.6k 个节点）与西雅图（100 万个以上节点），模拟真实驾驶条件。

实验结果

研究问题

• RQ1 任意时间路径规划系统是否能够在大规模复杂图上同时确定多个目标的最优路径与访问顺序？
• RQ2 在拓扑结构具有挑战性的环境中，整合先验知识（如检查点或参考路径）如何改善路径规划效果？
• RQ3 所提出的 IMOMD-RRT* 系统在速度与内存效率方面，相较于 Bi-A* 和 ANA* 等现有算法，优势有多大？
• RQ4 该系统是否能够以极低计算开销实现实时求解大规模多目标路径规划问题（如 25 个目的地）？
• RQ5 ECI-Gen 求解器在多项式时间内求解松弛 TSP 时，寻找近似最优访问顺序的效率如何？

主要发现

• 该系统在西雅图 OSM 地图（120 万个节点与边）上仅用 0.44 秒即求解了 25 个目的地的路径规划问题，证明了其具备实时可行性。
• 在芝加哥 OSM 地图上，该系统在逃离旧金山虫洞陷阱时，相比 Bi-A* 实现了 9 倍的速度提升与 58.9 倍更低的内存使用。
• ANA* 在旧金山虫洞陷阱场景中未能于时间限制内找到解，而本系统每次均成功求解。
• 该系统利用先验知识将逃离虫洞陷阱的时间相比 Bi-A* 减少了 9 倍，证明其在复杂拓扑中的鲁棒性。
• ECI-Gen 求解器高效计算出大规模问题的近似最优访问顺序，在速度与内存消耗方面均优于基线方法。
• 得益于多方向扩展与有信息采样，IMOMD-RRT* 算法即使在图不连通或高曲率环境中，也能成功构建所有目标的连通图。