[论文解读] Neural Collision Clearance Estimator for Fast Robot Motion Planning.

J. Chase Kew, Brian Ichter+3 more|arXiv (Cornell University)|Oct 14, 2019

Robotic Path Planning Algorithms参考文献 23被引用 9

一句话总结

本文提出ClearanceNet，一种深度神经网络，可预测机器人位姿到最近障碍物的距离（即清除度），从而在运动规划中实现快速、并行的碰撞检测。将其集成到CN-RRT中后，采样型规划的效率最高提升51%，路径效率提高25%，并在Fetch机器人上完成了真实环境验证。

ABSTRACT

Collision checking is a well known bottleneck in sampling-based motion planning due to its computational expense and the large number of checks required. To alleviate this bottleneck, we present a fast neural network collision checking heuristic, ClearanceNet, and incorporate it within a planning algorithm, ClearanceNet-RRT (CN-RRT). ClearanceNet takes as input a robot pose and the location of all obstacles in the workspace and learns to predict the clearance, i.e., distance to nearest obstacle. CN-RRT then efficiently computes a motion plan by leveraging three key features of ClearanceNet. First, as neural network inference is massively parallel, CN-RRT explores the space via a parallel RRT, which expands nodes in parallel, allowing for thousands of collision checks at once. Second, CN-RRT adaptively relaxes its clearance threshold for more difficult problems. Third, to repair errors, CN-RRT shifts states towards higher clearance through a gradient-based approach that uses the analytic gradient of ClearanceNet. Once a path is found, any errors are repaired via RRT over the misclassified sections, thus maintaining the theoretical guarantees of sampling-based motion planning. We evaluate the collision checking speed, planning speed, and motion plan efficiency in configuration spaces with up to 30 degrees of freedom. The collision checking achieves speedups of more than two orders of magnitude over traditional collision detection methods. Sampling-based planning over multiple robotic arms in new environment configurations achieves speedups of up to 51% over a baseline, with paths up to 25% more efficient. Experiments on a physical Fetch robot reaching into shelves in a cluttered environment confirm the feasibility of this method on real robots.

研究动机与目标

• 解决传统采样型运动规划中碰撞检测的计算瓶颈问题。
• 降低在高维配置空间中重复进行碰撞检测的高昂开销。
• 实现在杂乱、动态环境中机器人实时、可扩展的运动规划。
• 在提升速度与效率的同时，保持采样型规划的理论保证。

提出的方法

• 训练ClearanceNet，一种深度神经网络，以机器人位姿和障碍物位置为输入，预测到最近障碍物的清除度。
• 将ClearanceNet集成到CN-RRT中，一种利用GPU加速神经推理并行扩展多个节点的RRT变体。
• 在规划过程中动态调整清除度阈值，以优先探索高难度区域。
• 利用ClearanceNet的解析梯度，通过基于梯度的位姿调整引导状态优化，修正误分类的配置。
• 通过标准RRT对误分类段落重新规划，修复剩余错误，从而保持算法的理论完备性。
• 利用神经网络推理的并行性，实现数千次碰撞检测的并行执行，显著降低规划时间。

实验结果

研究问题

• RQ1 学习型神经网络清除度预测器是否能显著加速采样型运动规划中的碰撞检测？
• RQ2 与基线采样型规划器相比，采用神经清除度预测的并行RRT在规划速度和路径质量方面表现如何？
• RQ3 自适应清除度阈值与基于梯度的修正方法在多大程度上提升了规划的鲁棒性与效率？
• RQ4 所提方法是否能在真实机器人上实现实时性能的同时，保持采样型规划的理论保证？

主要发现

• 与传统方法相比，ClearanceNet在碰撞检测上实现了超过两个数量级的速度提升。
• 在多机械臂场景中，CN-RRT相比基线采样型规划器，规划时间最多减少51%。
• 在高维空间中，CN-RRT生成的运动规划路径相比基线规划器最多提高25%的效率。
• 该方法成功在杂乱的真实物理环境中为实际的Fetch机器人规划并执行了路径，验证了其在现实场景中的可行性。
• 基于梯度的状态调整能有效修复误分类的配置，保持了规划算法的理论完备性。
• 并行扩展、自适应阈值与神经清除度预测的结合，实现了在复杂环境中可扩展且高效的运动规划。