[论文解读] Predicting Sample Collision with Neural Networks

Minh Tuan Tran, Jory Denny+1 more|arXiv (Cornell University)|Jun 30, 2020

Robotic Path Planning Algorithms参考文献 30被引用 5

一句话总结

该论文提出了一种神经网络框架，通过用两阶段过程替代昂贵的碰撞检测，加速基于采样的运动规划：首先使用收缩自编码器（CAE）将机器人的工作空间编码到潜在空间，然后使用多层感知机（MLP）基于编码后的工作空间和机器人状态预测配置的有效性。该方法在三维工作空间中将验证时间减少了高达50%，并在未见过的环境中表现出良好的泛化能力，显著提升了计算效率，同时不牺牲可靠性。

ABSTRACT

Many state-of-art robotics applications require fast and efficient motion planning algorithms. Existing motion planning methods become less effective as the dimensionality of the robot and its workspace increases, especially the computational cost of collision detection routines. In this work, we present a framework to address the cost of expensive primitive operations in sampling-based motion planning. This framework determines the validity of a sample robot configuration through a novel combination of a Contractive AutoEncoder (CAE), which captures a occupancy grids representation of the robot's workspace, and a Multilayer Perceptron, which efficiently predicts the collision state of the robot from the CAE and the robot's configuration. We evaluate our framework on multiple planning problems with a variety of robots in 2D and 3D workspaces. The results show that (1) the framework is computationally efficient in all investigated problems, and (2) the framework generalizes well to new workspaces.

研究动机与目标

• 降低在高维和杂乱环境中基于采样运动规划器中碰撞检测的计算成本，这些成本在这些场景下变得难以承受。
• 开发一种可泛化的技术，能够在不为每个新环境重新训练的情况下预测机器人配置的有效性。
• 将机器学习集成到运动规划的核心采样阶段，以提高效率，同时保持概率完备性。
• 在多种机器人和复杂二维/三维工作空间中评估该框架的鲁棒性与可扩展性。
• 通过用学习到的潜在空间预测替代重复的几何碰撞检测，实现更快、更稳定的运动规划。

提出的方法

• 在离线阶段训练一个收缩自编码器（CAE），将机器人工作空间的点云表示压缩为低维潜在空间，同时保留与碰撞检测相关的关键结构信息。
• 训练一个多层感知机（MLP），根据CAE编码后的环境表示和机器人的当前配置，预测该配置是否有效（无碰撞）。
• 在在线运行时，CAE将新工作空间编码到潜在空间，训练好的MLP快速将采样到的配置分类为有效或无效。
• 将该框架应用于标准的基于采样运动规划器（如RRT、PRM），用神经预测系统替换其原生的碰撞检测模块。
• 该方法支持动态采样策略，并通过在必要时重新采样来保持概率完备性。
• 在复杂程度各异的二维和三维工作空间中评估该方法，包括狭窄通道和杂乱环境。

实验结果

研究问题

• RQ1 学习到的环境潜在空间表示是否能降低基于采样运动规划中配置验证的计算成本？
• RQ2 该框架在未见过的新工作空间中泛化能力如何，且无需重新训练？
• RQ3 该神经预测框架在多样化机器人和环境配置下，对运动规划算法的速度与稳定性改善程度如何？
• RQ4 在替换传统碰撞检测流程的同时，该框架是否保持了概率完备性？
• RQ5 该方法能否高效地集成到现有基于采样的规划器中，而无需修改其核心结构？

主要发现

• 在三维工作空间中，该框架将平均采样验证时间减少了高达50%，在OB（障碍物丰富）环境中提升了20%。
• 在3DC-9工作空间中，BS采样器的平均验证时间从0.015±0.005秒降至0.008±0.003秒，OB采样器则从0.08±0.01秒降至0.04±0.01秒。
• 在三维工作空间中，OB的总查询执行时间改善了9%，G的改善了10%，BS影响较小，BT略有8%的延迟，可能由于采样质量较差。
• 使用该框架后，验证时间的标准差降低，表明性能更加稳定且一致。
• 该方法在新工作空间中表现出良好的泛化能力，如在先前未编码的环境中也持续实现性能提升。
• 通过在预测不确定时允许重新采样，该框架保持了概率完备性，确保在复杂狭窄通道中的可靠性。