[论文解读] Sampling-Based Motion Planning: A Comparative Review

Andreas Orthey, Constantinos Chamzas+1 more|arXiv (Cornell University)|Sep 22, 2023

Robot Manipulation and Learning被引用 4

一句话总结

本文对基于采样的运动规划（SBMP）算法进行了全面的比较性综述，提供了历史回顾、规划器分类以及在24个基准问题上的大规模评估。结果表明，没有单一规划器在所有场景中表现最优，FMT和RRT-Connect在大多数情况下表现强劲，而动态和约束问题则需要专用规划器，如动力学RRT或约束感知扩展版本。

ABSTRACT

Sampling-based motion planning is one of the fundamental paradigms to generate robot motions, and a cornerstone of robotics research. This comparative review provides an up-to-date guideline and reference manual for the use of sampling-based motion planning algorithms. This includes a history of motion planning, an overview about the most successful planners, and a discussion on their properties. It is also shown how planners can handle special cases and how extensions of motion planning can be accommodated. To put sampling-based motion planning into a larger context, a discussion of alternative motion generation frameworks is presented which highlights their respective differences to sampling-based motion planning. Finally, a set of sampling-based motion planners are compared on 24 challenging planning problems. This evaluation gives insights into which planners perform well in which situations and where future research would be required. This comparative review thereby provides not only a useful reference manual for researchers in the field, but also a guideline for practitioners to make informed algorithmic decisions.

研究动机与目标

• 为基于采样的运动规划（SBMP）算法提供一份当前且全面的参考指南，以弥补研究人员和从业者在获取最新资源方面的不足。
• 追溯1979年至2023年SBMP的发展历程，识别四个不同阶段的关键里程碑与范式转变：采样前时代、采样兴起时代、采样整合时代以及最优性/学习驱动时代。
• 对主要的SBMP算法类别（如PRM、RRT、BIT*、RRT*、FMT和EST）进行分类与分析，突出其优势、局限性以及在不同类型问题中的适用性。
• 将SBMP与替代性运动生成框架（如运动优化、基于控制的规划、搜索方法）进行比较，明确其在完备性、最优性与计算效率方面的差异与权衡。
• 对10种SBMP算法在24种多样化规划问题上进行大规模实证评估，涵盖狭窄通道、动态系统与几何约束，以指导实际中的算法选择。

提出的方法

• 本文对SBMP进行了历史与概念性综述，追溯其从1979年配置空间理论到现代渐近最优及学习增强型规划器的演进过程。
• 提出一种基于核心结构的SBMP算法系统性分类方法：基于图的（如PRM）、基于树的（如RRT），以及最优或有信息量的变体（如RRT*、BIT*、FMT）。
• 作者在24个基准问题上评估了10种SBMP算法——RRT-Connect、PRM、EST、BIT*、RRT*、FMT、SST*以及动力学变体——测量其成功率、运行时间与解的代价。
• 针对约束与动态场景，研究采用基于约束的框架，将规划器扩展以处理接触约束（如球体、环面）与动态模型（如Dubin小车、带推进器的无人机）。
• 评估采用具有已知难度的标准问题实例，包括狭窄通道、高维空间与非完整动力学，以确保比较的公平性与可复现性。
• 研究包含对超参数敏感性的消融分析，尽管完整调优被指出为开放挑战，且已提供相关文献作为参数优化的参考。

实验结果

研究问题

• RQ1 在包含狭窄通道、约束与动态系统的24种多样化基准规划问题中，哪些基于采样的运动规划算法表现最佳？
• RQ2 SBMP算法在不同问题类型（如几何、动力学或约束运动规划）中的性能特征（成功率、运行时间、解的代价）如何变化？
• RQ3 在何种场景下渐近最优规划器（如FMT、BIT*）优于非最优规划器（如RRT-Connect），以及在何时会因无法收敛而失效？
• RQ4 与运动优化、基于控制的规划或搜索方法等替代性运动生成框架相比，SBMP方法在完备性、最优性与计算效率方面表现如何？
• RQ5 当前SBMP算法在处理复杂约束（如表面运动）或动态系统方面存在哪些局限性？在这些情况下，哪些规划器最为有效？

主要发现

• 在六个动态与约束场景中的五个中，FMT取得了最高成功率，表明其在复杂非完整环境中的强大性能。
• RRT-Connect在24个基准问题中的12个中实现了100%的成功率，包括多个存在狭窄通道的问题，且在运行时间方面表现最快。
• 没有单一规划器能解决全部24个场景；例如，twister问题被所有规划器均未能解决，凸显了高维、狭窄路径规划中的持续挑战。
• 在约束运动问题（如球体、环面）中，EST、BIT*与RRT-Connect均实现100%成功率，而FMT在六个约束案例中的三个中找到了低代价解。
• 对于Dubin小车与单推进器无人机等动态系统，仅动力学RRT成功找到了解，而SST*等最优规划器则完全失败，表明在动态环境中存在显著性能差距。
• 本研究证实，超参数调优显著影响性能，尽管受篇幅限制未完全探索，建议在该领域开展进一步研究。