CoverLib: Classifiers-equipped Experience Library by Iterative Problem Distribution Coverage Maximization for Domain-tuned Motion Planning

要約

ライブラリベースの方法は、事前計算されたライブラリから取得したエクスペリエンスを適応させることにより、高速モーション計画に非常に効果的であることが知られています。
この記事では、このようなライブラリを構築および利用するための原則的なアプローチであるCoverlibを紹介します。
CoverLibは、ライブラリにエクスペリエンスクラシファイアペアを繰り返し追加します。各分類器は、問題スペース内のエクスペリエンスの適応可能な領域に対応します。
この反復プロセスは、発見された領域を効果的にカバーする能力に基づいて次のエクスペリエンスを選択するため、積極的な手順です。
クエリフェーズ中、これらの分類器は、特定の問題に適応できると予想されるエクスペリエンスを選択するために使用されます。
実験結果は、CoverLibがグローバル（サンプリングベース）およびローカル（最適化ベース）の方法で観察される計画性と速度のトレードオフを効果的に軽減することを示しています。
その結果、問題ドメインで迅速な計画と高い成功率の両方を達成します。
さらに、適応アルゴリズムに依存しない性質により、CoverLibは、非線形プログラミングベースおよびサンプリングベースのアルゴリズムを含むさまざまな適応方法とシームレスに統合します。

要約(オリジナル)

Library-based methods are known to be very effective for fast motion planning by adapting an experience retrieved from a precomputed library. This article presents CoverLib, a principled approach for constructing and utilizing such a library. CoverLib iteratively adds an experience-classifier-pair to the library, where each classifier corresponds to an adaptable region of the experience within the problem space. This iterative process is an active procedure, as it selects the next experience based on its ability to effectively cover the uncovered region. During the query phase, these classifiers are utilized to select an experience that is expected to be adaptable for a given problem. Experimental results demonstrate that CoverLib effectively mitigates the trade-off between plannability and speed observed in global (e.g. sampling-based) and local (e.g. optimization-based) methods. As a result, it achieves both fast planning and high success rates over the problem domain. Moreover, due to its adaptation-algorithm-agnostic nature, CoverLib seamlessly integrates with various adaptation methods, including nonlinear programming-based and sampling-based algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google