Greedy Heuristics for Sampling-based Motion Planning in High-Dimensional State Spaces

要約

インフォームド サンプリング手法は、現在の解を改善できる状態が見つかる可能性が高い、問題領域の最も有望な領域にサンプリングを誘導することで、サンプリング ベースのプランナーの収束率を向上させます。
ただし、このアプローチではプランナーの探索スペースが大幅に削減されますが、現在のソリューションに多くの紆余曲折を伴う冗長な状態が含まれている場合、サンプリング サブセットは依然として大きすぎる可能性があります。
この記事では、現在の解決パスに沿った状態の最大ヒューリスティック コストにのみ基づいて縮小するインフォームド セットの貪欲バージョンを導入することで、この問題に対処します。
さらに、いつでも高速探索ランダム ツリー アルゴリズムの双方向バージョンである Greedy RRT* (G-RRT*) を紹介します。このアルゴリズムは、この貪欲な情報セットを使用して、ヒューリスティックに基づいて問題領域の有望な領域にサンプリングを集中させます。
Barrett WAM Arms、および自己再構成可能なロボット Panthera でのシミュレーションされた計画問題、操作問題に関する実験結果では、G-RRT* が漸近的に最適な解決パスを生成し、特に次の点で最先端の RRT* バリアントを上回るパフォーマンスを示しています。
高次元。

要約(オリジナル)

Informed sampling techniques improve the convergence rate of sampling-based planners by guiding the sampling toward the most promising regions of the problem domain, where states that can improve the current solution are more likely to be found. However, while this approach significantly reduces the planner’s exploration space, the sampling subset may still be too large if the current solution contains redundant states with many twists and turns. This article addresses this problem by introducing a greedy version of the informed set that shrinks only based on the maximum heuristic cost of the state along the current solution path. Additionally, we present Greedy RRT* (G-RRT*), a bi-directional version of the anytime Rapidly-exploring Random Trees algorithm that uses this greedy informed set to focus sampling on the promising regions of the problem domain based on heuristics. Experimental results on simulated planning problems, manipulation problems on Barrett WAM Arms, and on a self-reconfigurable robot, Panthera, show that G-RRT* produces asymptotically optimal solution paths and outperforms state-of-the-art RRT* variants, especially in high dimensions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google