Hybrid Classical/RL Local Planner for Ground Robot Navigation

要約

ローカルプランニングとは、移動ロボットナビゲーションスタック内の最適化プロセスであり、ロボットと環境の状態が与えられた場合に、最適な速度ベクトルを探索する。最適化基準と制約の定義方法によっては、特定の状況において他のプランナーよりも優れたプランナーが存在する。我々は概念的に異なる2つのプランナを考える。最初のプランナはリアルタイムで速度空間を探索し、優れた経路追跡性能と運動平滑性能を持っている。番目のプランナは、強化学習法を用いて訓練$’$経験$’$に基づいて最適な速度を生成するように訓練された。これは動的障害物の回避に優れているが、動きの滑らかさは犠牲になる。我々は、周囲の状況に基づいてプランナーを切り替えることで、両方のアプローチを活用する、シンプルで効果的なメタ推論アプローチを提案する。我々のハイブリッドプランナが、定性的にも定量的にも、個々のプランナよりも優れていることを、様々なシナリオにおける実働ロボットを用いて実証し、ナビゲーション時間において26％の改善を達成した。

要約(オリジナル)

Local planning is an optimization process within a mobile robot navigation stack that searches for the best velocity vector, given the robot and environment state. Depending on how the optimization criteria and constraints are defined, some planners may be better than others in specific situations. We consider two conceptually different planners. The first planner explores the velocity space in real-time and has superior path-tracking and motion smoothness performance. The second planner was trained using reinforcement learning methods to produce the best velocity based on its training $’$experience$’$. It is better at avoiding dynamic obstacles but at the expense of motion smoothness. We propose a simple yet effective meta-reasoning approach that takes advantage of both approaches by switching between planners based on the surroundings. We demonstrate the superiority of our hybrid planner, both qualitatively and quantitatively, over the individual planners on a live robot in different scenarios, achieving an improvement of 26% in the navigation time.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL