Combining Machine Learning and Sampling-Based Search for Multi-Goal Motion Planning with Dynamics

要約

このペーパーでは、衝突を避けながらロボットが複数の地域に到達するために必要な非構造化されていない障害物が豊富な環境でのマルチゴールモーション計画を検討します。
計画された動きは、ロボットのダイナミクスによって課される差別的制約も満たさなければなりません。
ソリューションを効率的に見つけるために、このペーパーでは、機械学習、旅行セールスマンの問題（TSP）、およびサンプリングベースのモーション計画を活用しています。
このアプローチは、衝突のない動的に実行可能な軌跡を分岐として追加することにより、モーションツリーを拡張します。
TSPソルバーは、各ノードのツアーを計算するために使用され、コストマトリックスを使用して残りの目標に到達する順序を決定します。
アプローチの重要な側面は、ランタイムと距離の予測をシングルゴールモーションプランの問題と組み合わせることにより、機械学習を活用してコストマトリックスを構築することです。
モーションツリーの拡張中に、低コストのツアーに関連付けられたノードが優先されます。
障害物が豊富な環境で動作する車両モデルを使用した実験は、アプローチの計算効率とスケーラビリティを示しています。

要約(オリジナル)

This paper considers multi-goal motion planning in unstructured, obstacle-rich environments where a robot is required to reach multiple regions while avoiding collisions. The planned motions must also satisfy the differential constraints imposed by the robot dynamics. To find solutions efficiently, this paper leverages machine learning, Traveling Salesman Problem (TSP), and sampling-based motion planning. The approach expands a motion tree by adding collision-free and dynamically-feasible trajectories as branches. A TSP solver is used to compute a tour for each node to determine the order in which to reach the remaining goals by utilizing a cost matrix. An important aspect of the approach is that it leverages machine learning to construct the cost matrix by combining runtime and distance predictions to single-goal motion-planning problems. During the motion-tree expansion, priority is given to nodes associated with low-cost tours. Experiments with a vehicle model operating in obstacle-rich environments demonstrate the computational efficiency and scalability of the approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google