PPNet: A Two-Stage Neural Network for End-to-end Path Planning

要約

サンプリングベースのパス プランナーなどの古典的なパス プランナーは、プランナーが解が存在する場合にそれを返さない確率が、サンプル数が無限に近づくにつれてゼロに減衰するという意味で、確率的な完全性を保証できます。
ただし、自動運転車などの多くのアプリケーションでは、一定期間内に最適に近い実現可能なソリューションを見つけるのが困難です。
エンドツーエンドの最適に近いパス プランナーを実現するために、まずパス プランニングの問題を 2 つのサブ問題、つまりパス空間のセグメント化と指定されたパスの空間でのウェイポイントの生成に分割します。
さらに、各段階で上記の副問題の 1 つを解決する、Path Planning Network (PPNet) という名前の 2 段階のニューラル ネットワークを提案します。
さらに、我々は、EDaGe-PPと呼ばれる経路計画のための新しい効率的なデータ生成方法を提案します。
EDaGe-PP は、クリアランス要件を満たしながら、解析的表現による連続曲率パスのデータを生成できます。
その結果、ランダムな 2D 経路計画データを生成する総計算時間は 1/33 未満であり、EDaGe-PP によって生成されたデータセットによって学習された PPNet の成功率は、他の手法と比較して約 2 倍であることがわかりました。
私たちは、最先端のパス計画手法に対して PPNet を検証します。
結果は、PPNet が 15.3 ミリ秒で最適に近いソリューションを見つけることができることを示しています。これは、最先端のパス プランナーよりもはるかに短いです。

要約(オリジナル)

The classical path planners, such as sampling-based path planners, can provide probabilistic completeness guarantees in the sense that the probability that the planner fails to return a solution if one exists, decays to zero as the number of samples approaches infinity. However, finding a near-optimal feasible solution in a given period is challenging in many applications such as the autonomous vehicle. To achieve an end-to-end near-optimal path planner, we first divide the path planning problem into two subproblems, which are path space segmentation and waypoints generation in the given path’s space. We further propose a two-stage neural network named Path Planning Network (PPNet) each stage solves one of the subproblems abovementioned. Moreover, we propose a novel efficient data generation method for path planning named EDaGe-PP. EDaGe-PP can generate data with continuous-curvature paths with analytical expression while satisfying the clearance requirement. The results show the total computation time of generating random 2D path planning data is less than 1/33 and the success rate of PPNet trained by the dataset that is generated by EDaGe-PP is about 2 times compared to other methods. We validate PPNet against state-of-the-art path planning methods. The results show that PPNet can find a near-optimal solution in 15.3ms, which is much shorter than the state-of-the-art path planners.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google