KRRF: Kinodynamic Rapidly-exploring Random Forest algorithm for multi-goal motion planning

要約

運動力学的マルチゴールモーションプランニングの問題は、訪問のApriori未知のシーケンスを持つ複数のターゲット位置に軌道を見つけることです。
目的は、運動力学的運動モデルを備えたロボットの散らかった環境で計画された軌道のコストを最小限に抑えることです。
この問題は、2つのNPハードの問題、旅行セールスマンの問題〜（TSP）と運動力学的運動計画の問題を組み合わせているため、まだ効率的に解決されていません。
Kinodynamicの急速に抽出されたランダムフォレスト〜（KRRF）と呼ばれる新しい近似方法を提案して、ロボットの動きの制約を満たす衝突のないマルチゴール軌道を見つけます。
KRRFは同時に、他のすべてのターゲットに向かってすべてのターゲットからキノダイナミックな木を栽培し、他の木をヒューリスティックとして使用して成長を促進します。
ターゲットからターゲットへの軌道が計画されると、そのコストを使用してTSPを解き、ターゲットのシーケンスを見つけます。
TSPシーケンスのターゲットからターゲットへの軌跡に沿ってRRTベースのプランナーを導くことにより、最終的なマルチゴール軌道を満足させる運動力学的制約が計画されています。
既存のアプローチと比較して、KRRFは、より短いターゲットからターゲットへの軌道と最終的なマルチゴール軌道を提供し、ほとんどのテストケースで計算的に速くなりながら、$ 1.1〜2倍低いコストが低くなります。
この方法は、オープンソースライブラリとして公開されます。

要約(オリジナル)

The problem of kinodynamic multi-goal motion planning is to find a trajectory over multiple target locations with an apriori unknown sequence of visits. The objective is to minimize the cost of the trajectory planned in a cluttered environment for a robot with a kinodynamic motion model. This problem has yet to be efficiently solved as it combines two NP-hard problems, the Traveling Salesman Problem~(TSP) and the kinodynamic motion planning problem. We propose a novel approximate method called Kinodynamic Rapidly-exploring Random Forest~(KRRF) to find a collision-free multi-goal trajectory that satisfies the motion constraints of the robot. KRRF simultaneously grows kinodynamic trees from all targets towards all other targets while using the other trees as a heuristic to boost the growth. Once the target-to-target trajectories are planned, their cost is used to solve the TSP to find the sequence of targets. The final multi-goal trajectory satisfying kinodynamic constraints is planned by guiding the RRT-based planner along the target-to-target trajectories in the TSP sequence. Compared with existing approaches, KRRF provides shorter target-to-target trajectories and final multi-goal trajectories with $1.1-2$ times lower costs while being computationally faster in most test cases. The method will be published as an open-source library.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google