Safe and Efficient Path Planning under Uncertainty via Deep Collision Probability Fields

要約

ロボットと環境障害物または他の移動エージェントとの間の衝突確率を推定することは、経路計画中の安全性を確保するために重要です。
これは、ノイズの多いセンサーが障害物を認識する自動運転など、多くのアプリケーション シナリオにおける最新の計画アルゴリズムの重要な構成要素です。
多くのアプローチが存在しますが、衝突確率の推定値が控えめすぎるか、サンプリングベースの性質により計算量が多くなります。
これらの問題に対処するために、任意の単峰性不確実性分布を持つ任意のオブジェクトの衝突確率を計算するためのニューラルベースのアプローチである Deep Collision Probability Fields を導入します。
私たちのアプローチでは、トレーニング ステップでのサンプリングによる衝突確率の計算集約的な推定が不要になり、計画中の制約の高速なニューラル ネットワーク推論が可能になります。
広範な実験により、ディープ衝突確率フィールドが計画のために適度に正確な衝突確率 (最大 10^{-3}) を生成できること、および私たちのアプローチを標準的な経路計画アプローチに簡単に組み込んで 2 次元で安全な経路を計画できることを示しました。
不確実な静的および動的障害物を含むマップ。
追加の資料、コード、ビデオは https://sites.google.com/view/ral-dcpf で入手できます。

要約(オリジナル)

Estimating collision probabilities between robots and environmental obstacles or other moving agents is crucial to ensure safety during path planning. This is an important building block of modern planning algorithms in many application scenarios such as autonomous driving, where noisy sensors perceive obstacles. While many approaches exist, they either provide too conservative estimates of the collision probabilities or are computationally intensive due to their sampling-based nature. To deal with these issues, we introduce Deep Collision Probability Fields, a neural-based approach for computing collision probabilities of arbitrary objects with arbitrary unimodal uncertainty distributions. Our approach relegates the computationally intensive estimation of collision probabilities via sampling at the training step, allowing for fast neural network inference of the constraints during planning. In extensive experiments, we show that Deep Collision Probability Fields can produce reasonably accurate collision probabilities (up to 10^{-3}) for planning and that our approach can be easily plugged into standard path planning approaches to plan safe paths on 2-D maps containing uncertain static and dynamic obstacles. Additional material, code, and videos are available at https://sites.google.com/view/ral-dcpf.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google