AORRTC: Almost-Surely Asymptotically Optimal Planning with RRT-Connect

要約

高品質のソリューションを迅速に見つけることは、モーション計画における重要な目的です。
これは、高度のロボットに特に当てはまります。
満足のいくプランナーは伝統的に実行可能なソリューションを迅速に発見していましたが、最適性について保証は提供されませんが、ほぼ漸近的に最適な（A.S.A.O.）プランナーは、最適なソリューションへの収束に確率的保証を持っていますが、より計算的に高価です。
このペーパーでは、AO-Xメタアルゴリズムを使用して、満足のいくRRTコネクトプランナーを最適な計画に拡張します。
結果として得られる漸近的に最適なRRTコネクト（AORRTC）は、RRTコネクトと同様の時間で初期ソリューションを見つけ、追加の計画時間を使用していつでも最適なソリューションに向かって収束します。
確率的に完全であり、A.S.A.O。
Aorrtcは、MotionBenchMaker DatasetでPanda（7 DOF）とFetch（8 DOF）ロボットアームでテストされました。
これらの実験は、AORRTCがRRT接続と同じくらい速く、テストした最先端のA.S.A.O.
より良いソリューションに収束しながら、より速いアルゴリズム。
Aorrtcは、他のA.S.A.O.
プランナーは、一貫して数秒でソリューションを見つけることができませんでした。
このパフォーマンスは、単一命令/複数のデータ（SIMD）加速の両方で実証されました。

要約(オリジナル)

Finding high-quality solutions quickly is an important objective in motion planning. This is especially true for high-degree-of-freedom robots. Satisficing planners have traditionally found feasible solutions quickly but provide no guarantees on their optimality, while almost-surely asymptotically optimal (a.s.a.o.) planners have probabilistic guarantees on their convergence towards an optimal solution but are more computationally expensive. This paper uses the AO-x meta-algorithm to extend the satisficing RRT-Connect planner to optimal planning. The resulting Asymptotically Optimal RRT-Connect (AORRTC) finds initial solutions in similar times as RRT-Connect and uses any additional planning time to converge towards the optimal solution in an anytime manner. It is proven to be probabilistically complete and a.s.a.o. AORRTC was tested with the Panda (7 DoF) and Fetch (8 DoF) robotic arms on the MotionBenchMaker dataset. These experiments show that AORRTC finds initial solutions as fast as RRT-Connect and faster than the tested state-of-the-art a.s.a.o. algorithms while converging to better solutions faster. AORRTC finds solutions to difficult high-DoF planning problems in milliseconds where the other a.s.a.o. planners could not consistently find solutions in seconds. This performance was demonstrated both with and without single instruction/multiple data (SIMD) acceleration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google