Neural Informed RRT*: Learning-based Path Planning with Point Cloud State Representations under Admissible Ellipsoidal Constraints

要約

Rapidly-exploring Random Tree (RRT) のようなサンプリングベースの計画アルゴリズムは、パス計画の問題を解決するのに多用途です。
RRT* は漸近的な最適性を提供しますが、空き領域全体にツリーを均一に成長させる必要があるため、効率向上の余地が残されています。
収束を加速するために、ルールベースのインフォームドアプローチは、現在のパスコストによって決定される空間の許容可能な楕円体サブセット内のサンプル状態をアプローチします。
学習ベースの代替案は、自由空間のトポロジーをモデル化し、計画を導くための最適なパスに近い状態を推測します。
私たちは双方の長所を組み合わせたNeural Informed RRT*を提案します。
自由状態の点群表現を定義します。
Informed RRT* からの許容楕円体サブセット内に点群を制限する Neural Focus を実行し、洗練されたガイダンス状態推論のために PointNet++ にフィードします。
さらに、Neural Connect を導入してガイダンス状態セットの接続を構築し、困難な計画問題のパフォーマンスをさらに向上させます。
私たちの方法は、確率的な完全性と漸近的な最適性を維持しながら、パス計画ベンチマークにおいて以前の研究を上回っています。
私たちはこの方法をモバイル ロボットに展開し、静的な障害物や動的な人間の周囲での現実世界のナビゲーションを実証します。
コードは https://github.com/tedhuang96/nirrt_star で入手できます。

要約(オリジナル)

Sampling-based planning algorithms like Rapidly-exploring Random Tree (RRT) are versatile in solving path planning problems. RRT* offers asymptotic optimality but requires growing the tree uniformly over the free space, which leaves room for efficiency improvement. To accelerate convergence, rule-based informed approaches sample states in an admissible ellipsoidal subset of the space determined by the current path cost. Learning-based alternatives model the topology of the free space and infer the states close to the optimal path to guide planning. We propose Neural Informed RRT* to combine the strengths from both sides. We define point cloud representations of free states. We perform Neural Focus, which constrains the point cloud within the admissible ellipsoidal subset from Informed RRT*, and feeds into PointNet++ for refined guidance state inference. In addition, we introduce Neural Connect to build connectivity of the guidance state set and further boost performance in challenging planning problems. Our method surpasses previous works in path planning benchmarks while preserving probabilistic completeness and asymptotic optimality. We deploy our method on a mobile robot and demonstrate real world navigation around static obstacles and dynamic humans. Code is available at https://github.com/tedhuang96/nirrt_star.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google