CoverLib: Classifiers-equipped Experience Library by Iterative Problem Distribution Coverage Maximization for Domain-tuned Motion Planning

要約

ライブラリベースの手法は、事前に計算されたライブラリから取得した経験を適応させることで、高速なモーションプランニングに非常に有効であることが知られている。本稿では、このようなライブラリを構築し利用するための原理的アプローチであるCoverLibを紹介する。CoverLibは、経験-分類器-ペアを繰り返しライブラリに追加する。各分類器は、問題空間内の経験の適応可能な領域に対応する。この反復プロセスは能動的な手順であり、カバーされていない領域を効果的にカバーする能力に基づいて次の経験を選択する。問い合わせの段階では、これらの分類子は、与えられた問題に対して適応可能であると予想される経験を選択するために利用される。実験結果は、CoverLibが、大域的（サンプリングベースなど）手法や局所的（最適化ベースなど）手法で見られる、計画性と速度のトレードオフを効果的に緩和していることを示している。その結果、高速なプランニングと問題領域における高い成功率の両方を達成する。さらに、適応アルゴリズムにとらわれない性質により、CoverLib は非線形計画法やサンプリング・ベースのアルゴリズムを含む様々な適応手法とシームレスに統合することができます。

要約(オリジナル)

Library-based methods are known to be very effective for fast motion planning by adapting an experience retrieved from a precomputed library. This article presents CoverLib, a principled approach for constructing and utilizing such a library. CoverLib iteratively adds an experience-classifier-pair to the library, where each classifier corresponds to an adaptable region of the experience within the problem space. This iterative process is an active procedure, as it selects the next experience based on its ability to effectively cover the uncovered region. During the query phase, these classifiers are utilized to select an experience that is expected to be adaptable for a given problem. Experimental results demonstrate that CoverLib effectively mitigates the trade-off between plannability and speed observed in global (e.g. sampling-based) and local (e.g. optimization-based) methods. As a result, it achieves both fast planning and high success rates over the problem domain. Moreover, due to its adaptation-algorithm-agnostic nature, CoverLib seamlessly integrates with various adaptation methods, including nonlinear programming-based and sampling-based algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL