Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments

要約

オンライン動作計画は、群衆などの動的な障害物がある密集環境で移動するインテリジェント ロボットにとって困難な問題です。
この研究では、動的障害物に関する最小限の情報を使用して、最適かつ安全なオンライン動作計画を行うための新しいアプローチを提案します。
具体的には、私たちのアプローチでは障害物の現在位置とその最大速度のみが必要ですが、障害物の正確な軌道や動的モデルに関する情報は必要ありません。
提案された方法論は、モデル シミュレーションによるオンライン最適計画のためのモンテカルロ ツリー検索 (MCTS) と、障害物回避のための速度障害物 (VO) を組み合わせています。
私たちは、壁があり、ランダムな速度と方向で動く最大 40 個の動的障害物がある乱雑な模擬環境で実験を実行します。
アブレーション研究により、MCTS の効率をスケールアップし、シミュレーションのツリー内で最も安全で最も価値のあるアクションを選択する際の VO の重要な貢献を示します。
さらに、衝突率、計算およびタスクのパフォーマンスの向上という点で、非線形モデル予測制御 (NMPC) を含む最先端のプランナーと比較して、私たちの方法論の優位性を示します。

要約(オリジナル)

Online motion planning is a challenging problem for intelligent robots moving in dense environments with dynamic obstacles, e.g., crowds. In this work, we propose a novel approach for optimal and safe online motion planning with minimal information about dynamic obstacles. Specifically, our approach requires only the current position of the obstacles and their maximum speed, but it does not need any information about their exact trajectories or dynamic model. The proposed methodology combines Monte Carlo Tree Search (MCTS), for online optimal planning via model simulations, with Velocity Obstacles (VO), for obstacle avoidance. We perform experiments in a cluttered simulated environment with walls, and up to 40 dynamic obstacles moving with random velocities and directions. With an ablation study, we show the key contribution of VO in scaling up the efficiency of MCTS, selecting the safest and most rewarding actions in the tree of simulations. Moreover, we show the superiority of our methodology with respect to state-of-the-art planners, including Non-linear Model Predictive Control (NMPC), in terms of improved collision rate, computational and task performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google