Roadmaps with Gaps over Controllers: Achieving Efficiency in Planning under Dynamics

要約

本論文では、学習されたコントローラを用いることで、自明でないダイナミクスを持つ移動ロボットの運動計画の計算効率を向上させることを目的とする。オフラインでは、まずシステム固有のコントローラを空の環境で学習する。次に、ターゲット環境に対して、学習されたコントローラを用いて計画クエリを解く方法を近似的に学習するために、本アプローチは「ギャップ付きロードマップ」というデータ構造を構築する。ロードマップのノードは局所領域に対応する。エッジは、これらの領域を近似的に接続する、学習されたコントローラのアプリケーションに対応する。ギャップは、コントローラがエッジに沿って個々の状態のペアを完全に接続しないために生じる。オンラインでは、クエリが与えられると、ツリーサンプリングベースのモーションプランナーは、ツリーの展開がゴール領域に向かって通知されるように、ロードマップを使用する。木の拡張は、ゴールに向かって誘導するロードマップ上の波面が与えられると、局所的なサブゴールを選択する。コントローラがサブゴール領域に到達できない場合、プランナは確率的完全性と漸近最適性を維持するためにランダム探索に頼る。付随する実験評価により、このアプローチが、凹凸や摩擦の変化する地形上の物理ベースの車両モデルや、気圧効果下のクワッドローターなど、様々なベンチマークにおいて、運動計画の計算効率を大幅に改善することが示される。

要約(オリジナル)

This paper aims to improve the computational efficiency of motion planning for mobile robots with non-trivial dynamics through the use of learned controllers. Offline, a system-specific controller is first trained in an empty environment. Then, for the target environment, the approach constructs a data structure, a ‘Roadmap with Gaps,’ to approximately learn how to solve planning queries using the learned controller. The roadmap nodes correspond to local regions. Edges correspond to applications of the learned controller that approximately connect these regions. Gaps arise as the controller does not perfectly connect pairs of individual states along edges. Online, given a query, a tree sampling-based motion planner uses the roadmap so that the tree’s expansion is informed towards the goal region. The tree expansion selects local subgoals given a wavefront on the roadmap that guides towards the goal. When the controller cannot reach a subgoal region, the planner resorts to random exploration to maintain probabilistic completeness and asymptotic optimality. The accompanying experimental evaluation shows that the approach significantly improves the computational efficiency of motion planning on various benchmarks, including physics-based vehicular models on uneven and varying friction terrains as well as a quadrotor under air pressure effects.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL