IBBT: Informed Batch Belief Trees for Motion Planning Under Uncertainty

要約

タイトル：IBBT：不確実性下での動作計画のための情報付きバッチ信念木

要約：
– IBBTアルゴリズムは、動きとセンシングの不確実性下での動作計画のために提案されている。
– 元の確率的動作計画問題は決定論的な動作計画問題とグラフ探索問題に分割される。
– 決定論的計画問題は、PRMやRRGなどのサンプリングベースの方法を使って解決され、正規軌跡のグラフが構築される。
– 元の問題に対する情報付きコストの推定値が、正規軌跡グラフに基づいて計算される。
– 最後に、提案されたヒューリスティックを使用してグラフを検索することで、信念木を成長させる。
– IBBTは、バッチ状態サンプリング、正規軌跡グラフの構築、ヒューリスティックの計算、グラフ上での検索を交互に繰り返して、信念空間の動作計画を見つける。
– IBBTは、いつでもインクリメンタルなアルゴリズムであり、サンプルのバッチ数が増えるにつれて、最適解に収束する動作計画を見つけることができる。
– IBBTは、順次の反復間で結果を再利用することによって効率的である。
– 信念木の探索は、情報付きヒューリスティックによってガイドされた順序付けられた探索である。
– IBBTは、さまざまな計画環境でテストされ、数値的な調査によって、前方の類似した方法と比較して、非自明な動作計画を発見し、より高速であることが確認されている。

要約(オリジナル)

In this work, we propose the Informed Batch Belief Trees (IBBT) algorithm for motion planning under motion and sensing uncertainties. The original stochastic motion planning problem is divided into a deterministic motion planning problem and a graph search problem. We solve the deterministic planning problem using sampling-based methods such as PRM or RRG to construct a graph of nominal trajectories. Then, an informed cost-to-go heuristic for the original problem is computed based on the nominal trajectory graph. Finally, we grow a belief tree by searching over the graph using the proposed heuristic. IBBT interleaves between batch state sampling, nominal trajectory graph construction, heuristic computing, and search over the graph to find belief space motion plans. IBBT is an anytime, incremental algorithm. With an increasing number of batches of samples added to the graph, the algorithm finds motion plans that converge to the optimal one. IBBT is efficient by reusing results between sequential iterations. The belief tree searching is an ordered search guided by an informed heuristic. We test IBBT in different planning environments. Our numerical investigation confirms that IBBT finds non-trivial motion plans and is faster compared with previous similar methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI