Learning from Local Experience: Informed Sampling Distributions for High Dimensional Motion Planning

要約

この論文では、ワークスペース内の障害物の形状と動作計画の問題からの以前の経験を活用する、サンプリングベースの動作計画フレームワークを紹介します。
これまでの研究では、計画効率を向上させるために動作計画の問題に対する従来の解決策を利用する利点が実証されています。
ただし、特に高次元システムの場合、各クエリ間の差異が大きいため、ランダム化された環境全体で高いパフォーマンスを達成することは、経験ベースのアプローチにとって依然として技術的な課題です。
この課題に対処するために、アルゴリズムによるワークスペース分解とグラフ検索を通じて問題を部分問題に分離する新しいアプローチを提案します。
さらに、各サブ問題における以前の経験を活用します。
このアプローチは、さまざまな問題間の差異を効果的に削減し、エクスペリエンスベースのプランナーのパフォーマンスの向上につながります。
フレームワークの有効性を検証するために、2D および 6D ロボット システムを使用して実験を実施します。
実験結果は、計画時間とコストの点で、私たちのフレームワークが既存のアルゴリズムよりも優れていることを示しています。

要約(オリジナル)

This paper presents a sampling-based motion planning framework that leverages the geometry of obstacles in a workspace as well as prior experiences from motion planning problems. Previous studies have demonstrated the benefits of utilizing prior solutions to motion planning problems for improving planning efficiency. However, particularly for high-dimensional systems, achieving high performance across randomized environments remains a technical challenge for experience-based approaches due to the substantial variance between each query. To address this challenge, we propose a novel approach that involves decoupling the problem into subproblems through algorithmic workspace decomposition and graph search. Additionally, we capitalize on prior experience within each subproblem. This approach effectively reduces the variance across different problems, leading to improved performance for experience-based planners. To validate the effectiveness of our framework, we conduct experiments using 2D and 6D robotic systems. The experimental results demonstrate that our framework outperforms existing algorithms in terms of planning time and cost.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google