PRIEST: Projection Guided Sampling-Based Optimization For Autonomous Navigation

要約

移動ロボットの応用領域を拡大するには、未知の動的な環境での効率的なナビゲーションが不可欠です。
中心的な課題は、最適化ベースのローカル プランナーを導くための実行可能なグローバル パスが利用できないことに起因しています。
その結果、既存のローカル プランナーは、不十分なローカル ミニマに囚われることがよくあります。
この論文では、リアルタイム アプリケーションに十分な速度を保ちながら、複数のホモトピーを探索して長期にわたって高品質な軌道を計画できる新しいオプティマイザーを紹介します。
私たちは、サンプルを実行可能な領域に導く投影最適化を使用して軌道サンプリング戦略を強化することにより、グラジエントフリーのパラダイムを構築します。
結果として、私たちのアプローチは、すべてのサンプリングされた軌跡が高コスト領域にあるという、頻繁に遭遇する病理学的ケースから回復することができます。
さらに、私たちの投影最適化は、GPU 上で簡単に高速化できる高度に並列化可能な構造を持っていることも示します。
私たちは次の点で最先端を推し進めます。
ロボット オペレーティング システム (ROS) のナビゲーション スタックでは、成功率が 7 ～ 13%、合計移動時間の指標が最大 2 倍向上したことがわかります。
同じベンチマークと指標において、私たちのアプローチは MPPI とその最近の亜種と比較して最大 44% の改善を達成します。
単純なポイントツーポイント ナビゲーション タスクでは、当社のオプティマイザーは、SOTA 勾配ベースのソルバーや、クロス エントロピー法 (CEM) や VPSTO などのサンプリング ベースのアプローチよりも最大 2 倍信頼性が高くなります。
コード: https://github.com/fatemeh-rastgar/PRIEST

要約(オリジナル)

Efficient navigation in unknown and dynamic environments is crucial for expanding the application domain of mobile robots. The core challenge stems from the nonavailability of a feasible global path for guiding optimization-based local planners. As a result, existing local planners often get trapped in poor local minima. In this paper, we present a novel optimizer that can explore multiple homotopies to plan high-quality trajectories over long horizons while still being fast enough for real-time applications. We build on the gradient-free paradigm by augmenting the trajectory sampling strategy with a projection optimization that guides the samples toward a feasible region. As a result, our approach can recover from the frequently encountered pathological cases wherein all the sampled trajectories lie in the high-cost region. Furthermore, we also show that our projection optimization has a highly parallelizable structure that can be easily accelerated over GPUs. We push the state-of-the-art in the following respects. Over the navigation stack of the Robot Operating System (ROS), we show an improvement of 7-13% in success rate and up to two times in total travel time metric. On the same benchmarks and metrics, our approach achieves up to 44% improvement over MPPI and its recent variants. On simple point-to-point navigation tasks, our optimizer is up to two times more reliable than SOTA gradient-based solvers, as well as sampling-based approaches such as the Cross-Entropy Method (CEM) and VPSTO. Codes: https://github.com/fatemeh-rastgar/PRIEST

arxiv情報

提供元, 利用サービス

arxiv.jp, Google