[论文解读] Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks
本文提出两个图神经网络（GNN）组件（路径探索器和路径平滑器），在随机几何图上训练，以减少基于采样的运动规划中的碰撞检测，从而在保持概率完备性的前提下提升在二维到十四维任务中的效率。
Sampling-based motion planning is a popular approach in robotics for finding paths in continuous configuration spaces. Checking collision with obstacles is the major computational bottleneck in this process. We propose new learning-based methods for reducing collision checking to accelerate motion planning by training graph neural networks (GNNs) that perform path exploration and path smoothing. Given random geometric graphs (RGGs) generated from batch sampling, the path exploration component iteratively predicts collision-free edges to prioritize their exploration. The path smoothing component then optimizes paths obtained from the exploration stage. The methods benefit from the ability of GNNs of capturing geometric patterns from RGGs through batch sampling and generalize better to unseen environments. Experimental results show that the learned components can significantly reduce collision checking and improve overall planning efficiency in challenging high-dimensional motion planning tasks.
研究动机与目标
- 动机并解决基于采样的运动规划中的碰撞检测瓶颈。
- 提出利用批量采样和图表示的学习组件，以加速探索和路径平滑。
- 证明基于GNN的方法在不同环境和维度中保持较高的成功率的同时减少碰撞检测。
- 展示基于GNN的碰撞减少对未见环境的泛化能力。
提出的方法
- 将样本分批组成自由空间中的随机几何图（RGG）。
- 开发基于GNN的路径探索器，以优先考虑无碰撞边进行探索。
- 开发基于GNN的路径平滑器，在局部对已探索路径进行改进和缩短。
- 用配置数据和障碍信息对顶点进行编码；对可变数量的障碍使用注意力机制。
- 在GNN中使用最大聚合和残差连接；输出边的优先级和经过改进的路径。
- 通过模仿已探索前沿中的oracle路径来训练探索器；通过模仿平滑oracle来训练平滑器。
实验结果
研究问题
- RQ1GNN是否能够学习优先选择探索边，以在批量采样图中减少不必要的碰撞检测？
- RQ2基于GNN的路径平滑器是否能够在不增加碰撞风险的前提下产生更短、可行的路径？
- RQ3GNN基组件在高维和未见环境中是否具备泛化能力，同时不牺牲概率完备性？
- RQ4与最先进的规划方法在成功率、碰撞检测次数和规划时间方面相比，基于GNN的方法表现如何？
主要发现
- 基于GNN的探索器和平滑器在从二维到十四维的各种环境中显著减少了碰撞检测。
- 该方法在与手工启发式和NEXT相当的高成功率下，显著减少了碰撞检测次数，特别是在高维情况下。
- 结合障碍信息编码的情况下，GNN实现的路径平滑能够产生更短的路径。
- 由于降低了碰撞检测开销，规划时间仍与经典方法具有竞争力。
- 泛化实验表明，GNN能够处理连通性变化，而某些学习基线在此方面表现不足。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。