Graph Neural Network Based Method for Path Planning Problem

要約

サンプリングベースの経路計画は、ロボット工学、特に高次元の状態空間で広く使用されている方法です。
経路計画の全プロセスの中で、衝突検出は最も時間がかかる操作です。
本稿では、衝突検出の数を減らすことを目的とした学習ベースの経路計画手法を提案します。
グラフ ニューラル ネットワーク (GNN) に基づいて効率的なニューラル ネットワーク モデルを開発し、環境マップを入力として使用します。
モデルは、入力および現在の頂点情報に基づいて各近傍の重みを出力します。これは、障害物を回避する際にプランナーをガイドするために使用されます。
シミュレーションされたランダム世界と現実世界の実験それぞれを通じて、提案された方法の効率を評価します。
結果は、提案手法が衝突検出数を大幅に削減し、高次元環境における経路計画速度を向上させることを示しています。

要約(オリジナル)

Sampling-based path planning is a widely used method in robotics, particularly in high-dimensional state space. Among the whole process of the path planning, collision detection is the most time-consuming operation. In this paper, we propose a learning-based path planning method that aims to reduce the number of collision detection. We develop an efficient neural network model based on Graph Neural Networks (GNN) and use the environment map as input. The model outputs weights for each neighbor based on the input and current vertex information, which are used to guide the planner in avoiding obstacles. We evaluate the proposed method’s efficiency through simulated random worlds and real-world experiments, respectively. The results demonstrate that the proposed method significantly reduces the number of collision detection and improves the path planning speed in high-dimensional environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google