[论文解读] Interleaving Optimization with Sampling-Based Motion Planning (IOS-MP): Combining Local Optimization with Global Exploration

Alan Kuntz, Chris Bowen+1 more|arXiv (Cornell University)|Jul 21, 2016

Robotic Path Planning Algorithms参考文献 19被引用 4

一句话总结

本文提出了一种名为基于采样运动规划的交错优化（IOS-MP）的新颖的 anytime 运动规划框架，该框架通过在渐近最优的基于采样的规划器（如 PRM*、BIT*）进行全局探索与使用增广拉格朗日法的局部路径优化之间交替进行。通过在两个阶段之间共享信息——利用优化后的路径来生成新的采样点，并将改进后的顶点反馈回去——该方法在保持全局渐近最优性的同时，显著加快了高质量、局部最优解的收敛速度，在复杂、高维环境中明显优于独立的基于采样或基于优化的方法。

ABSTRACT

Computing globally optimal motion plans for a robot is challenging in part because it requires analyzing a robot's configuration space simultaneously from both a macroscopic viewpoint (i.e., considering paths in multiple homotopic classes) and a microscopic viewpoint (i.e., locally optimizing path quality). We introduce Interleaved Optimization with Sampling-based Motion Planning (IOS-MP), a new method that effectively combines global exploration and local optimization to quickly compute high quality motion plans. Our approach combines two paradigms: (1) asymptotically-optimal sampling-based motion planning, which is effective at global exploration but relatively slow at locally refining paths, and (2) optimization-based motion planning, which locally optimizes paths quickly but lacks a global view of the configuration space. IOS-MP iteratively alternates between global exploration and local optimization, sharing information between the two, to improve motion planning efficiency. We evaluate IOS-MP as it scales with respect to dimensionality and complexity, as well as demonstrate its effectiveness on a 7-DOF manipulator for tasks specified using goal configurations and workspace goal regions.

研究动机与目标

• 为解决机器人运动规划中全局探索与局部路径质量之间的平衡挑战。
• 克服基于采样规划器（收敛至最优路径速度慢）和基于优化规划器（对初始化敏感且易陷入局部极小值）的局限性。
• 开发一种通过迭代交错与信息共享整合两种范式优势的框架。
• 实现 anytime 运动规划，随时间推移逐步返回更优的局部优化解，趋近于全局最优。

提出的方法

• 该方法在两个阶段之间交替进行：使用渐近最优的基于采样规划器（如 PRM* 或 BIT*）进行全局探索，以及通过带路径约束的增广拉格朗日法进行局部路径优化。
• 在每次迭代中，基于采样的规划器扩展路网并发现新的无碰撞路径，包括不同同伦类的路径。
• 局部优化阶段对迄今找到的最佳路径进行精炼，最小化路径长度，同时遵守运动学和障碍物约束。
• 信息双向共享：将优化后的路径重新加入路网以改善未来的采样，同时重用优化后的顶点/边作为新优化试验的种子。
• 该框架具有通用性，可扩展至其他优化算法（如 SQP）和障碍物表示形式。
• 通过动态将采样得到的目标配置添加至路网，并在优化过程中施加接近性约束，该方法支持目标构型和工作空间目标区域的规划。

实验结果

研究问题

• RQ1 将局部优化与基于采样的全局探索交错是否能提升高维配置空间中运动规划的效率与解的质量？
• RQ2 与独立执行相比，采样与优化阶段之间的信息共享如何影响收敛速度与路径质量？
• RQ3 IOS-MP 的 anytime 性质在时间受限条件下相较于传统仅基于采样的或仅基于优化的方法，能在多大程度上实现更优性能？
• RQ4 在非凸、不连通的工作空间目标区域（如被复杂障碍物如梯子包围的区域）中，IOS-MP 的有效性如何？
• RQ5 该方法在通过局部精炼实现快速改进的同时，能否保持全局渐近最优性？

主要发现

• 在七自由度机械臂任务中，IOS-MP (PRM*) 和 IOS-MP (BIT*) 在仅数次迭代内即实现了优于其仅基于采样版本的路径质量，甚至在 120 秒计算后仍表现更优。
• 优化阶段显著减少了冗余运动：视觉对比显示，优化后的路径明显比原始基于采样的路径更平滑、更短。
• 在包含 Fetch 机器人的杂乱工作空间目标区域场景中，采用路径共享的 IOS-MP (PRM*) 显著优于标准 PRM* 和无路径共享的 IOS-MP，证明了信息重用的关键作用。
• 将优化后的路径重新引入路网，加快了对更优同伦类的发现，后续迭代中找到的路径效率更高，避障更有效。
• 该方法在复杂环境中实现了显著的性能提升，即使在前几次迭代中也观察到路径质量的改善，凸显了其高效性与 anytime 行为。
• 该框架在不同环境复杂度与维度下表现出鲁棒性，始终维持强劲性能，且不牺牲全局最优性保证。