[论文解读] Rapidly-exploring Random Forest: Adaptively Exploits Local Structure with Generalised Multi-Trees Motion Planning

Tin Lai|arXiv (Cornell University)|Mar 7, 2021

Robotic Path Planning Algorithms参考文献 28被引用 4

一句话总结

该论文提出了一种快速探索随机森林（rrf*），一种多树运动规划算法，通过在狭窄通道中自适应地部署贝叶斯局部采样以利用局部连通性，同时采用多臂赌博机框架优先在最有希望的树上进行规划。rrf* 实现了渐近最优性，并在高维、杂乱环境中具有复杂狭窄通道的情况下展现出优越的采样效率。

ABSTRACT

Sampling-based motion planners perform exceptionally well in robotic applications that operate in high-dimensional space. However, most works often constrain the planning workspace rooted at some fixed locations, do not adaptively reason on strategy in narrow passages, and ignore valuable local structure information. In this paper, we propose Rapidly-exploring Random Forest (RRF*) -- a generalised multi-trees motion planner that combines the rapid exploring property of tree-based methods and adaptively learns to deploys a Bayesian local sampling strategy in regions that are deemed to be bottlenecks. Local sampling exploits the local-connectivity of spaces via Markov Chain random sampling, which is updated sequentially with a Bayesian proposal distribution to learns the local structure from past observations. The trees selection problem is formulated as a multi-armed bandit problem, which efficiently allocates resources on the most promising tree to accelerate planning runtime. RRF* learns the region that is difficult to perform tree extensions and adaptively deploys local sampling in those regions to maximise the benefit of exploiting local structure. We provide rigorous proofs of completeness and optimal convergence guarantees, and we experimentally demonstrate that the effectiveness of RRF*'s adaptive multi-trees approach allows it to performs well in a wide range of problems.

研究动机与目标

• 解决采样型运动规划算法（SBPs）在狭窄通道中因采样概率低而导致性能不佳的问题。
• 克服固定采样策略在受限区域无法利用局部连通性的局限性。
• 开发一种能够动态识别瓶颈区域并仅在需要时部署专用局部采样的方法。
• 将多树规划与自适应资源分配相结合，以平衡探索与利用。
• 在提高高维空间中采样效率的同时，确保完备性和渐近最优性的理论保证。

提出的方法

• 将树的选择问题建模为多臂赌博机问题，以在每一步将规划资源分配给最有希望的树。
• 通过基于过去观测动态更新提议分布的序列马尔可夫链蒙特卡洛（MCMC）行走，实现贝叶斯局部采样。
• 仅在被识别为瓶颈的区域动态创建局部树——即可见度低且约束复杂度高的区域。
• 采用广义多树架构，包含从起点和目标出发的根树，以及用于受限区域的自适应局部树。
• 应用重布线过程以确保渐近最优性，类似于 rrt* 和 prm*。
• 集成启发式方法，基于树扩展失败和局部连通性度量来检测狭窄通道。

实验结果

研究问题

• RQ1 采样型运动规划算法如何在随机采样效率低下的狭窄通道中有效利用局部连通性？
• RQ2 与固定或均匀部署的局部树相比，采用自适应局部采样的多树方法是否能在采样效率和收敛速度上表现更优？
• RQ3 如何在多个树（根树和局部树）之间最优分配规划资源，以加速收敛而不损失完备性？
• RQ4 一种能从过往采样中学习的贝叶斯局部采样策略是否能提升在高维、受限配置空间中的探索能力？
• RQ5 自适应局部树与多臂赌博机选择的集成是否能保持完备性和渐近最优性的理论保证？

主要发现

• rrf* 实现了渐近最优性，随着样本数量增加，解的代价以概率几乎必然收敛到最优代价。
• 在迷宫和6-DOF机械臂等杂乱环境中，rrf* 比 rrt*、bi-rrt* 和 informed rrt* 更快找到解，且代价更低、无效连接更少。
• 与基线规划算法相比，rrf* 显著减少了无效采样（障碍物和连接检查）的数量，尤其在高维空间中表现突出。
• 该算法在真实世界测试中表现出鲁棒性，成功在五秒时间预算内为 JACO 机械臂在杂乱环境中规划出轨迹。
• 由于自适应地部署树结构，rrf* 在复杂任务上的收敛速度优于 rr d t ∗，避免了在开阔区域不必要的局部树创建。
• 该方法通过仅在最有利于利用局部结构的区域集中计算资源，实现了极高的采样效率，尤其在受限的配置空间中。