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方法は、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により、高速動作計画に非常に効果的であることが知られています。
この記事では、そのようなライブラリを構築および利用するための原則的なアプローチである CoverLib を紹介します。
CoverLib は、エクスペリエンスと分類子のペアをライブラリに繰り返し追加します。各分類子は、問題空間内のエクスペリエンスの適応可能な領域に対応します。
この反復プロセスは、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エクスペリエンスを選択するため、アクティブな手順です。
クエリ フェーズでは、これらの分類子を利用して、特定の問題に適応できると予想されるエクスペリエンスを選択します。
実験結果は、CoverLib が、グローバル (例: サンプリングベース) 手法とローカル (例: 最適化ベース) 手法で観察される計画性と速度の間のトレードオフを効果的に軽減することを示しています。
その結果、問題領域での迅速な計画と高い成功率の両方を実現します。
さらに、CoverLib は適応アルゴリズムに依存しない性質により、非線形計画ベースのアルゴリズムやサンプリング ベースのアルゴリズムを含むさまざまな適応方法とシームレスに統合します。

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, Google