[论文解读] Sample-Based Planning with Volumes in Configuration Space

Alexander Shkolnik, Russ Tedrake|arXiv (Cornell University)|Sep 14, 2011

Machine Learning and Algorithms被引用 39

一句话总结

本文提出球树（Ball Tree）算法，一种基于样本的运动规划方法，通过在配置空间中用体积区域（超球体）替代传统RRT中的点状节点，从而提升效率与完备性。通过拒绝落入已有体积区域内的采样点，并将采样重点集中于未探索或易发生碰撞的区域，该方法实现了更稀疏的树结构，加快了在狭窄通道问题上的收敛速度，同时保持了概率完备性。

ABSTRACT

A simple sample-based planning method is presented which approximates connected regions of free space with volumes in Configuration space instead of points. The algorithm produces very sparse trees compared to point-based planning approaches, yet it maintains probabilistic completeness guarantees. The planner is shown to improve performance on a variety of planning problems, by focusing sampling on more challenging regions of a planning problem, including collision boundary areas such as narrow passages.

研究动机与目标

• 通过改进采样聚焦能力，解决传统RRT在高维空间或狭窄通道规划问题中的低效性。
• 通过将连通的自由空间区域表示为体积而非点，减少碰撞检查次数与树扩展次数。
• 通过基于体积的拒绝采样，在显著提升搜索效率的同时保持概率完备性。
• 为实际应用开发一种实用的非精确方法，以应对难以精确计算到碰撞表面距离的现实问题。
• 证明在如虫洞陷阱（bug trap）和互锁拼图任务等复杂问题上，体积树优于基于点的RRT。

提出的方法

• 使用以树节点为中心的超球体（球体）表示自由空间连通性，每个球体定义一个可直接到达的配置区域。
• 拒绝落入任一现有节点体积区域内的采样点，确保采样聚焦于未探索区域或边界区域。
• 采用拒绝采样机制，避免在已覆盖的自由空间体积内重复进行扩展尝试。
• 对未探索区域和碰撞边界（尤其是狭窄通道）施加动态采样偏差。
• 实现一种非精确的球树变体，通过初始设置较大的体积，并在检测到碰撞后进行修剪，以适应现实中的不确定性。
• 将方法推广至任意有效距离度量或凸体积（如椭球），尽管为简化与效率起见，本文使用超球体。

实验结果

研究问题

• RQ1 将自由空间表示为体积区域而非点，是否能生成更稀疏、更高效的运动规划树？
• RQ2 基于体积的拒绝采样是否能提升在开放区域广阔但存在狭窄通道问题上的收敛速度？
• RQ3 在实际非理想化场景中，非精确球树与精确版本及标准RRT相比，性能如何？
• RQ4 体积树在减少碰撞检查次数的同时，能在多大程度上保持概率完备性？
• RQ5 球树框架能否扩展至多查询或双向规划（如多球树）并提升连通性检测能力？

主要发现

• 与标准RRT相比，球树生成的树结构显著更稀疏，减少了节点数量，从而降低了所需的距离与碰撞检查次数。
• 在实际应用中，非精确球树优于精确版本，因为体积仅需几次扩展尝试即可快速修剪至合理大小。
• 该算法能有效将采样聚焦于碰撞边界和狭窄通道区域，例如在虫洞陷阱与阿尔法拼图问题中，显著加快了解的发现速度。
• 在障碍物密度极高的极限情况下，球树会渐进退化为标准RRT行为，从而保持正确性。
• 由于采用拒绝采样并持续探索未探索区域，该方法保持了概率完备性，论文中已证明。
• 球树框架可扩展至其他度量（如L∞）和凸体积（如椭球），并可适配多查询或双向规划。