[论文解读] Near-Optimal Edge Evaluation in Explicit Generalized Binomial Graphs

Sanjiban Choudhury, Shervin Javdani+2 more|arXiv (Cornell University)|Jun 28, 2017

Machine Learning and Algorithms参考文献 23被引用 9

一句话总结

本文提出 BiSECt，一种用于机器人运动规划中显式广义二项图的高效边评估的近似最优算法。通过将边建模为独立的伯努利随机变量，并利用满足自适应子模性的代理目标函数，BiSECt 将计算复杂度从边数的指数级降低至线性级，显著优于现有最先进方法，在移动机器人、机械臂及真实直升机飞行数据上均通过最小化昂贵的碰撞检测评估，实现了显著的性能提升。

ABSTRACT

Robotic motion-planning problems, such as a UAV flying fast in a partially-known environment or a robot arm moving around cluttered objects, require finding collision-free paths quickly. Typically, this is solved by constructing a graph, where vertices represent robot configurations and edges represent potentially valid movements of the robot between these configurations. The main computational bottlenecks are expensive edge evaluations to check for collisions. State of the art planning methods do not reason about the optimal sequence of edges to evaluate in order to find a collision free path quickly. In this paper, we do so by drawing a novel equivalence between motion planning and the Bayesian active learning paradigm of decision region determination (DRD). Unfortunately, a straight application of existing methods requires computation exponential in the number of edges in a graph. We present BISECT, an efficient and near-optimal algorithm to solve the DRD problem when edges are independent Bernoulli random variables. By leveraging this property, we are able to significantly reduce computational complexity from exponential to linear in the number of edges. We show that BISECT outperforms several state of the art algorithms on a spectrum of planning problems for mobile robots, manipulators, and real flight data collected from a full scale helicopter.

研究动机与目标

• 为解决机器人运动规划中边评估的高计算成本问题，其中每次边检查都涉及昂贵的碰撞检测。
• 将可行路径识别问题重新表述为贝叶斯主动学习中的决策区域确定（DRD）问题。
• 开发一种高效算法，选择具有信息量的边进行评估，同时最小化总评估成本。
• 在不依赖于先前方法所需的指数时间的前提下，实现近似最优性与线性时间复杂度。
• 在多种运动规划问题上验证该方法，包括移动机器人、机械臂以及真实无人机飞行数据。

提出的方法

• 作者建立了可行路径识别与 DRD 问题之间的等价性，其中路径为决策区域，边评估为测试。
• 他们定义了 Bern-DRD 问题，假设边为独立的伯努利随机变量，从而简化了问题结构。
• BiSECt 使用一个满足自适应子模性的代理目标函数，支持通过贪心选择实现理论上的近似最优性保证。
• 该算法通过利用独立性和子模结构，以 O(E) 时间完成边选择，避免了朴素 DRD 方法的 O(2^E) 计算成本。
• 其采用一种贪心策略，基于预期信息增益优先选择边，使用修改后的 MVoI（信息边际价值）目标函数。
• 该方法集成了 MaxProbReg，一种通过战略性地选择边使区域概率趋近于 1 而加速收敛的变体。

实验结果

研究问题

• RQ1 机器人运动规划中的可行路径识别问题能否在贝叶斯主动学习的决策区域确定（DRD）框架下重新表述？
• RQ2 能否将基于 DRD 的边选择计算复杂度从边数的指数级降低至线性？
• RQ3 基于代理目标函数的贪心策略是否能在独立伯努利边变量的背景下保持近似最优性，同时实现高效计算？
• RQ4 在多种运动规划场景中，所提算法与最先进启发式方法相比，在评估成本方面表现如何？
• RQ5 该方法能否有效处理现实世界中的机器人系统，例如在复杂环境中的无人机或具有复杂运动学的机械臂？

主要发现

• BiSECt 在 13 个数据集上表现一致优异，在其中 8 个数据集中表现最佳，其归一化评估成本显著低于其他方法。
• MaxProbReg 变体在 13 个数据集中的 12 个上提升了性能，尤其在 Random 数据集上成本最高降低 20 倍，归因于更快的收敛速度。
• 在 2D 规划任务中，BiSECt 通过动态平衡路径剔除与高概率路径验证，优于 MaxTally 和 MVoI 启发式方法。
• 在真实直升机飞行数据中，BiSECt 在最小化边评估次数的同时成功识别出无碰撞路径，证明了其在复杂动态环境中的有效性。
• BiSECt 中的代理目标函数在保持与 Chen et al. [4] 相同理论近似最优界的同时，将计算复杂度从 O(2^E) 降低至 O(E)。
• 该算法在后验概率空间中表现出“锁定”行为，即高影响力边能迅速将区域概率推至 1，从而加速收敛。