Guaranteed Rejection-free Sampling Method Using Past Behaviours for Motion Planning of Autonomous Systems

要約

この論文は、多変量カーネル密度を活用して、偏った均一条件とほぼ均一な条件の両方で自由空間の拒否のないサンプリングを保証する新しい学習ベースのサンプリング戦略を提示します。
特定の自律システムからの履歴データは、ドメインのノンパラメトリック確率的記述を推定するために活用されています。これは、モーション計画問題の実行可能な解決策が見つかる可能性が高い自由空間も説明しています。
カーネル密度推定器、帯域幅、およびカーネルのチューニングパラメーターを使用して、自由空間の説明を変更するために使用され、サンプルは元々定義された空間の外側に落ちることができません。
2つの計画問題が解決し、提案されているほぼ均一なサンプリングスキームが、考慮されたワークスペースの拒否のないサンプルを保証できることを示しています。
さらに、提案された方法の有効性は、モンテカルロシミュレーションを使用して統計的に検証されています。

要約(オリジナル)

The paper presents a novel learning-based sampling strategy that guarantees rejection-free sampling of the free space under both biased and approximately uniform conditions, leveraging multivariate kernel densities. Historical data from a given autonomous system is leveraged to estimate a non-parametric probabilistic description of the domain, which also describes the free space where feasible solutions of the motion planning problem are likely to be found. The tuning parameters of the kernel density estimator, the bandwidth and the kernel, are used to alter the description of the free space so that no samples can fall outside the originally defined space.The proposed method is demonstrated in two real-life case studies: An autonomous surface vessel (2D) and an autonomous drone (3D). Two planning problems are solved, showing that the proposed approximately uniform sampling scheme is capable of guaranteeing rejection-free samples of the considered workspace. Furthermore, the effectiveness of the proposed method is statistically validated using Monte Carlo simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google