Multiple-Hypothesis Path Planning with Uncertain Object Detections

要約

障害物が密集した環境での経路計画はロボット工学における重要な課題であり、シーンの属性とそれに関連する不確実性の推測に依存します。
障害物検出を使用して複雑な環境をナビゲートするように設計された複数仮説のパス プランナーを紹介します。
経路仮説は、不確実性と範囲に関する推論によって生成されます。これは、最初の検出は通常、不確実性が高い遠距離で行われ、その後の検出によってこの不確実性が軽減されるためです。
推定された障害物が与えられると、ロボットがペア間を安全に通過できる確率に基づいて、オブジェクト間のペアごとの接続のグラフを構築します。
グラフはリアルタイムで更新され、安全でないパスが取り除かれ、確率論的な安全性が保証されます。
プランナーはこのグラフに対して経路仮説を生成し、安全性と経路長の間でトレードして最適な経路をインテリジェントに最適化します。
ランダムに生成されたシミュレートされた森林でプランナーを評価したところ、最も困難な環境ではナビゲーションの成功率が A* ベースラインを超えて 20% から 75% に増加することがわかりました。
結果は、進化する範囲ベースの不確実性と複数の仮説の使用が、密集した環境をナビゲートするために重要であることを示しています。

要約(オリジナル)

Path planning in obstacle-dense environments is a key challenge in robotics, and depends on inferring scene attributes and associated uncertainties. We present a multiple-hypothesis path planner designed to navigate complex environments using obstacle detections. Path hypotheses are generated by reasoning about uncertainty and range, as initial detections are typically at far ranges with high uncertainty, before subsequent detections reduce this uncertainty. Given estimated obstacles, we build a graph of pairwise connections between objects based on the probability that the robot can safely pass between the pair. The graph is updated in real time and pruned of unsafe paths, providing probabilistic safety guarantees. The planner generates path hypotheses over this graph, then trades between safety and path length to intelligently optimize the best route. We evaluate our planner on randomly generated simulated forests, and find that in the most challenging environments, it increases the navigation success rate over an A* baseline from 20% to 75%. Results indicate that the use of evolving, range-based uncertainty and multiple hypotheses are critical for navigating dense environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google