A Fast and Optimal Learning-based Path Planning Method for Planetary Rovers

要約

惑星探査機の探査効率を向上させるには、インテリジェントな自律経路計画が不可欠です。
この論文では、標高図内の最適な経路を迅速に検索する学習ベースの方法 (NNPP と呼ばれる) を提案します。
NNPP モデルは、事前にアノテーションが付けられた多数の最適パスのデモンストレーションから、開始位置とゴール位置、およびマップ表現に関するセマンティック情報を学習し、マップ上の最適パスに属する可能性を表す各ピクセルの確率分布を生成します。
より具体的には、この論文は、DEM から取得した傾斜、粗さ、標高差から各グリッド セルの移動コストを計算します。
その後、ガウス分布を使用して開始位置と終了位置がエンコードされ、さまざまな位置エンコード パラメーターがモデルのパフォーマンスに与える影響が分析されます。
トレーニング後、NNPP モデルは新しいマップ上で経路計画を実行できるようになります。
実験の結果、NNPP モデルによって生成されたガイダンス フィールドにより、同じハードウェア条件下で最適なパスの検索時間が大幅に短縮され、マップの規模が大きくなるほど NNPP の利点が増大することが示されました。

要約(オリジナル)

Intelligent autonomous path planning is crucial to improve the exploration efficiency of planetary rovers. In this paper, we propose a learning-based method to quickly search for optimal paths in an elevation map, which is called NNPP. The NNPP model learns semantic information about start and goal locations, as well as map representations, from numerous pre-annotated optimal path demonstrations, and produces a probabilistic distribution over each pixel representing the likelihood of it belonging to an optimal path on the map. More specifically, the paper computes the traversal cost for each grid cell from the slope, roughness and elevation difference obtained from the DEM. Subsequently, the start and goal locations are encoded using a Gaussian distribution and different location encoding parameters are analyzed for their effect on model performance. After training, the NNPP model is able to perform path planning on novel maps. Experiments show that the guidance field generated by the NNPP model can significantly reduce the search time for optimal paths under the same hardware conditions, and the advantage of NNPP increases with the scale of the map.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google