[论文解读] Motion Planning Transformers: A Motion Planning Framework for Mobile Robots

Jacob J. Johnson, Kalra, Uday S.+4 more|arXiv (Cornell University)|Jun 5, 2021

Machine Learning and Algorithms被引用 6

一句话总结

本文提出运动规划变换器（MPT），一种基于Transformer的框架，可学习预测路径规划中的高概率区域，显著缩小采样式运动规划器的搜索空间。通过利用自注意力机制建模长程依赖关系，MPT相比传统规划器将规划时间减少7–25%，搜索节点数减少2–12倍，同时在不同地图尺寸间实现良好泛化，并支持非完整约束机器人（如Dubins车）。

ABSTRACT

Fast and efficient sampling-based motion planning (SMP) is an integral component of many robotic systems, such as autonomous cars. A popular technique to improve the efficiency of these planners is to restrict search space in the planning domain. Existing algorithms define parametric functions to bound the search space, but these do not extend to non-holonomic robotic systems. Recent learning-based methods use a combination of convolutional and fully connected networks to encode the planning space. However, these methods are restricted to fixed map sizes, which are often not realistic in the real world. In this paper, we introduce a transformer-based approach, Motion Planning Transformer, to restrict the search space by learning to discern regions with a valid path from prior data. The model learns not only to restrict search spaces for simple 2D systems but also for non-holonomic robotic systems. We validate our method on various randomly generated environments with different map sizes and plan trajectories for a physical non-holonomic robot. We also provide a ROS2 plugin of our method for the Nav2 planning stack. The results show that our method reduces search space nodes by 2-12 times compared to traditional planners and has better generalizability than recent learning-based planners.

研究动机与目标

• 解决传统采样式运动规划器存在的计算成本高、在不同地图尺寸下可扩展性差的问题。
• 克服先前基于学习的规划器（使用CNN和MLP）因固定地图尺寸而带来的限制。
• 通过在SE(2)空间中学习运动学可行的路径区域，实现对非完整约束机器人的有效运动规划。
• 在无需微调或重新训练的情况下，实现对不同地图尺寸的良好泛化，尤其适用于更大环境。
• 提供ROS2兼容的插件，可集成至真实机器人导航系统（如Nav2）中。

提出的方法

• 训练一个基于Transformer的模型，利用先前运动规划数据作为监督信号，预测配置空间中可能包含有效路径的区域。
• 模型采用可学习的位置嵌入，并在训练过程中引入随机偏移，以提升对更大地图尺寸的泛化能力。
• 通过预测方向感知的锚点，将框架扩展至SE(2)空间中的机器人，实现在运动学约束空间中的规划。
• MPT模型作为区域提议网络，引导采样式规划器（如RRT*）聚焦于高概率区域。
• 采用新型训练流程，结合随机位置编码，提升模型在未见地图尺寸下的鲁棒性与准确性。
• 该方法作为ROS2插件集成至Nav2导航堆栈，实现与现有规划器的即插即用。

实验结果

研究问题

• RQ1 基于Transformer的模型能否在不依赖固定地图尺寸的前提下，有效缩小采样式运动规划的搜索空间？
• RQ2 与先前基于学习的规划器相比，MPT模型在更大、未见过的地图尺寸上的泛化能力如何？
• RQ3 MPT框架能否扩展至非完整约束机器人（如Dubins车），并在SE(2)空间中提升规划效率？
• RQ4 MPT辅助规划器在规划时间、路径质量与节点数量方面，相较于传统与基于学习的规划器，优势有多大？
• RQ5 MPT模型能否在真实机器人系统中部署，并实现良好的仿真到现实的泛化能力？

主要发现

• 与传统RRT*和IRRT*规划器相比，MPT辅助规划器将搜索树中的顶点数量减少了2–12倍。
• 在各种环境中，规划时间减少7–25%，尤其在大地图中收益最为显著。
• 采用随机位置编码训练的模型，在大地图上的准确率比固定编码基线高出61%。
• 对于Dubins车模型，MPT-RRT*相比RRT*将规划时间减少50%，顶点数减少38%，准确率达到95.15%。
• Nav2中的MPT插件使物理RC Dubins车实现10Hz的实时规划，证明了强大的仿真到现实泛化能力。
• 在大环境场景中，MPT优于IRRT*和BIT*，后两者的性能因搜索空间扩大而下降。