[论文解读] Sampling Strategies for Path Planning under Kinematic Constraints

Josep M. Porta, Léonard Jaillet|arXiv (Cornell University)|Jul 9, 2014

Robotic Path Planning Algorithms参考文献 27被引用 3

一句话总结

本文提出了三种新颖的采样偏差策略——基于kd-tree的采样、动态域AtlasRRT，以及一种混合方法，以解决运动学约束系统中的狭窄通道问题，此类系统中传统概率规划器因隐式、非参数化的配置空间而难以应对。动态域AtlasRRT策略通过根据碰撞反馈自适应调整采样半径，显著减少了碰撞检测次数和执行时间，同时在Schunk手和Barrett机械臂等具有挑战性的基准测试中提升了成功率。

ABSTRACT

A well-known weakness of the probabilistic path planners is the so-called narrow passage problem, where a region with a relatively low probability of being sampled must be explored to find a solution path. Many strategies have been proposed to alleviate this problem, most of them based on biasing the sampling distribution. When kinematic constraints appear in the problem, the configuration space typically becomes a non-parametrizable, implicit manifold. Unfortunately, this invalidates most of the existing sampling bias approaches, which rely on an explicit parametrization of the space to explore. In this paper, we propose and evaluate three novel strategies to bias the sampling under the presence of narrow passages in kinematically-constrained systems.

研究动机与目标

• 解决运动学约束系统中的狭窄通道问题，此类系统中标准概率规划器因隐式、非参数化的配置空间而失效。
• 开发在运动学约束导致配置空间采样复杂时仍有效的采样偏差策略。
• 评估新型策略在杂乱、受限环境中的表现，以提升成功率、减少碰撞检测次数并降低执行时间。
• 提供开源实现，以促进未来规划器的集成。

提出的方法

• 提出一种基于kd-tree的采样策略，通过划分环境空间并在叶节点的r-包围矩形内采样，从而消除拒绝采样。
• 引入动态域AtlasRRT，根据碰撞反馈自适应调整每个RRT节点的采样半径ρs，使采样聚焦于障碍物附近区域。
• 在RRT扩展过程中使用碰撞检测来定义环境空间中的动态域，实现在无需显式配置空间参数化的情况下高效采样。
• 采用混合方法，结合kd-tree与动态域策略的优势，实现探索与精细化采样的平衡。
• 利用现有的RRT结构与碰撞检测机制，引导采样偏差，而无需显式定义流形度量。
• 通过在环境空间中操作并使用内在距离近似，将AtlasRRT框架适配于处理运动学约束。

实验结果

研究问题

• RQ1 能否有效将采样偏差策略应用于具有隐式、非参数化配置空间的运动学约束系统？
• RQ2 在狭窄通道场景下，不同采样偏差策略在成功率、执行时间与碰撞检测效率方面的表现如何比较？
• RQ3 通过聚焦采样于障碍物邻近区域，动态域自适应能否提升性能而不牺牲探索能力？
• RQ4 在运动学约束下偏差RRT采样时，采样效率与实现复杂度之间的权衡是什么？
• RQ5 无拒绝采样策略（如基于kd-tree的采样）是否能在受限环境中优于标准方法？

主要发现

• 动态域AtlasRRT策略在成功率最高且执行时间最短，成功解决了Barrett机械臂和PR2基准的全部100次运行，以及Schunk手52%的运行任务。
• 基于kd-tree的采样策略消除了拒绝采样，并成功解决了所有基准问题，在Schunk手上的成功率优于动态域方法。
• 与基线AtlasRRT相比，动态域AtlasRRT在Barrett机械臂上将碰撞检测次数减少了高达75%（37,000次对比100,000次）。
• 通过在节点靠近障碍物时采用更小的ρs值，动态域方法降低了随机采样的拒绝率，从而提升了采样效率。
• 固定ρs的AtlasRRT在Schunk手上表现较差（成功率48%），而自适应动态域版本则实现了100%的成功率，证明了自适应调整采样半径的价值。
• 结合kd-tree与动态域方法的混合策略表现出色，表明无拒绝采样与自适应优化可有效结合。