[论文解读] Parallelised Diffeomorphic Sampling-based Motion Planning

Tin Lai, Weiming Zhi+2 more|arXiv (Cornell University)|Aug 26, 2021

Robotic Path Planning Algorithms参考文献 28被引用 4

一句话总结

本文提出了一种并行化微分同胚采样运动规划方法（PDMP），该方法利用基于梯度的微分同胚来调整RRT等采样型运动规划器中的采样分布，从而加速收敛至可行解。通过学习连续占据表示并应用GPU加速的并行形变，PDMP在不增加运行时成本的前提下，提升了成功率并减少了求解时间，在复杂环境中优于基线方法。

ABSTRACT

We propose Parallelised Diffeomorphic Sampling-based Motion Planning (PDMP). PDMP is a novel parallelised framework that uses bijective and differentiable mappings, or diffeomorphisms, to transform sampling distributions of sampling-based motion planners, in a manner akin to normalising flows. Unlike normalising flow models which use invertible neural network structures to represent these diffeomorphisms, we develop them from gradient information of desired costs, and encode desirable behaviour, such as obstacle avoidance. These transformed sampling distributions can then be used for sampling-based motion planning. A particular example is when we wish to imbue the sampling distribution with knowledge of the environment geometry, such that drawn samples are less prone to be in collisions. To this end, we propose to learn a continuous occupancy representation from environment occupancy data, such that gradients of the representation defines a valid diffeomorphism and is amenable to fast parallel evaluation. We use this to "morph" the sampling distribution to draw far fewer collision-prone samples. PDMP is able to leverage gradient information of costs, to inject specifications, in a manner similar to optimisation-based motion planning methods, but relies on drawing from a sampling distribution, retaining the tendency to find more global solutions, thereby bridging the gap between trajectory optimisation and sampling-based planning methods.

研究动机与目标

• 通过将梯度信息融入采样分布，弥合轨迹优化与采样型运动规划之间的差距。
• 开发一种利用成本梯度导出的微分同胚来形变采样分布的方法，例如环境占据情况或用户指定的偏置。
• 通过GPU加速实现在无额外运行时成本前提下的高效并行采样，从有信息的分布中采样。
• 在高维、复杂环境中，提升RRT和PRM等采样型规划器的成功率和求解时间。
• 在显著减少具有碰撞风险的采样数量的同时，保持概率完备性，通过形变后的采样分布实现。

提出的方法

• 该方法从学习到的连续占据表示的梯度中构建微分同胚，以编码障碍物规避和环境几何信息。
• 利用这些微分同胚将简单的基础采样分布变换为更具信息量的形变分布，从而偏好可行配置。
• 在GPU上并行计算形变采样分布，实现快速、可扩展的有信息采样生成。
• CPU负责采样型规划器（如RRT）的顺序树构建过程，而GPU则预先填充一个包含形变采样的样本桶。
• 该框架可无缝集成至现有规划器（如RRT、RRT*、RRT-connect和Lazy-PRM*），同时保持其概率完备性。
• 当GPU生成的样本桶为空时，采用统一采样作为回退机制，确保在最坏情况下性能不会下降。

实验结果

研究问题

• RQ1 能否利用环境占据或用户指定成本的梯度信息，来形变采样型运动规划中的采样分布？
• RQ2 能否高效地并行计算并应用源自成本梯度的微分同胚，以加速运动规划？
• RQ3 在复杂运动规划环境中，采样分布的并行形变是否能提升求解时间与成功率？
• RQ4 能否在不增加顺序规划流水线运行时成本的前提下，实现GPU加速的采样分布形变集成？
• RQ5 PDMP在高维或杂乱环境中，相较于基线采样型规划器（如RRT和RRT*）的性能提升程度如何？

主要发现

• 在分隔器环境中，PDMP-RRT*在7秒内实现了80%的成功率，而原始RRT*采用均匀采样时成功率低于50%。
• 到20秒时，PDMP变体达到了接近完美的成功率，显著优于其均匀采样对应方法。
• 仅经过1秒的规划，形变采样数量已超过无信息采样数量，表明GPU利用效率高。
• 在0.2秒后，无信息采样比例降至可忽略水平，表明GPU生成的样本桶被快速填满。
• PDMP在所有测试规划器中均提升了求解时间，尤其在低规划时间下提升最为显著。
• Lazy-PRM*表现不佳，因其多查询特性及在时间预算内无法找到解，凸显了单查询PDMP变体的优势。