[论文解读] Machine Learning Based Path Planning for Improved Rover Navigation (Pre-Print Version)

Neil Abcouwer, Shreyansh Daftry+7 more|arXiv (Cornell University)|Nov 11, 2020

Robotic Path Planning Algorithms参考文献 9被引用 4

一句话总结

本文提出两种机器学习方法与人工设计的启发式算法，以提升NASA火星漫游车增强型自动导航（ENav）系统中的路径规划效率。通过在计算成本高昂的ACE安全检查之前估算地形穿越成本，启发式算法将ACE评估次数最多减少70%，降低平均计算时间，并提升路径效率与成功率，同时不损害安全性。

ABSTRACT

Enhanced AutoNav (ENav), the baseline surface navigation software for NASA's Perseverance rover, sorts a list of candidate paths for the rover to traverse, then uses the Approximate Clearance Evaluation (ACE) algorithm to evaluate whether the most highly ranked paths are safe. ACE is crucial for maintaining the safety of the rover, but is computationally expensive. If the most promising candidates in the list of paths are all found to be infeasible, ENav must continue to search the list and run time-consuming ACE evaluations until a feasible path is found. In this paper, we present two heuristics that, given a terrain heightmap around the rover, produce cost estimates that more effectively rank the candidate paths before ACE evaluation. The first heuristic uses Sobel operators and convolution to incorporate the cost of traversing high-gradient terrain. The second heuristic uses a machine learning (ML) model to predict areas that will be deemed untraversable by ACE. We used physics simulations to collect training data for the ML model and to run Monte Carlo trials to quantify navigation performance across a variety of terrains with various slopes and rock distributions. Compared to ENav's baseline performance, integrating the heuristics can lead to a significant reduction in ACE evaluations and average computation time per planning cycle, increase path efficiency, and maintain or improve the rate of successful traverses. This strategy of targeting specific bottlenecks with ML while maintaining the original ACE safety checks provides an example of how ML can be infused into planetary science missions and other safety-critical software.

研究动机与目标

• 解决ENav系统中近似清除评估（ACE）算法计算成本过高的问题，该算法用于评估候选路径的漫游车安全性。
• 通过改进候选路径在评估前的排序，减少对全面ACE评估的依赖。
• 引入一种人工设计的梯度卷积启发式算法和一种学习型机器学习模型，以更有效地预测ACE结果。
• 通过确保所有最终路径仍通过原始ACE验证，维持安全性，即使使用启发式排序。
• 证明启发式算法的整合可提升路径效率，减少计算时间，并在多样化火星地形中提高成功率。

提出的方法

• 使用Sobel算子和地形高程图的二维卷积，计算基于梯度的成本估计，用于地形穿越，引导路径选择向低梯度、更安全区域靠拢。
• 在模拟地形数据及其对应的ACE结果上训练机器学习分类器，以预测某条路径是否会被ACE判定为安全。
• 将两种启发式算法整合进ENav路径排序流程，在ACE评估前替换或增强基线排序。
• 在具有不同坡度和岩石分布的多样化合成火星地形上，使用蒙特卡洛模拟评估性能。
• 应用剪枝策略以管理在探索更广或更深路径树时的计算负载，平衡探索与效率。
• 通过确保所有最终路径仍由原始ACE算法验证，维持安全性，即使搜索过程由启发式排序引导。

实验结果

研究问题

• RQ1 基于地形梯度的人工设计启发式算法是否能改善路径排序并减少漫游车导航中的ACE评估次数？
• RQ2 在模拟ACE结果上训练的机器学习模型是否能比基线排序更准确地预测路径可行性，从而减少不必要的ACE评估？
• RQ3 基于启发式的排序在不牺牲复杂地形中成功率的前提下，能在多大程度上减少计算时间并提升路径效率？
• RQ4 在探索更广或更深路径树时，启发式算法的整合对ENav性能有何影响？
• RQ5 启发式排序与ACE验证的结合是否能在显著降低计算开销的同时，维持或提升安全性？

主要发现

• 与基线ENav系统相比，机器学习启发式算法将ACE评估次数最多减少了70%，显著降低了每次规划周期的平均计算时间。
• 在复杂地形中，路径效率得到显著提升，因为启发式算法引导漫游车避开狭窄且高风险的路径，这些路径在发生滑移后常导致失败。
• 在更广路径树的实验中，使用学习型启发式算法使成功率比基线高出20%，同时路径效率提升且减少了过度思考现象。
• 人工设计的梯度卷积启发式算法也优于基线，减少了ACE评估次数与计算时间，但效果不及机器学习模型。
• 当使用更深的路径树（规划至9米前方）时，性能显著下降（成功率降至59.9%），表明在缺乏更优剪枝策略的情况下，延长规划视野可能并无益处。
• 结果表明，通过仅将机器学习用于路径排序，而最终安全决策仍依赖经验证的ACE算法，可安全地将机器学习集成到安全关键系统中。