Neural-Network-Driven Method for Optimal Path Planning via High-Accuracy Region Prediction

要約

サンプリング ベースのパス プランニング アルゴリズムは均一サンプリングに大きく依存しているため、特に複雑な環境では信頼性が低く、時間がかかるパフォーマンスが発生します。
最近では、ニューラル ネットワーク駆動の手法で領域をサンプリング ドメインとして予測し、不均一なサンプリングを実現し、計算時間を短縮しています。
しかし、領域予測の精度がさらなる向上の妨げとなっています。
私たちは、高精度の領域予測に基づいて最適な経路を迅速に取得するために、領域予測ニューラルネットワーク RRT* (RPNN-RRT*) と略称されるサンプリングベースのアルゴリズムを提案します。
まず、領域予測ニューラル ネットワーク (RPNN) を実装して、RPNN-RRT* の正確な領域を予測します。
フルレイヤのチャネルごとのアテンション モジュールは、エンコーダとデコーダ間の連結における機能融合を強化するために採用されています。
さらに、3 レベルの階層損失は、ピクセル単位、マップ単位、およびパッチ単位の特徴を学習するように設計されています。
複雑な環境でのパフォーマンスをテストするために、複雑な環境動作計画という名前のデータセットが確立されています。
アブレーション研究とテスト結果は、他の領域予測モデルと比較して、領域予測において RPNN によって 89.13% という高い精度が達成されることを示しています。
さらに、RPNN-RRT* はさまざまな複雑なシナリオで実行され、計算時間、サンプリング効率、最適なパス計画の成功率の点で、大幅かつ信頼性の高い優位性を実証します。

要約(オリジナル)

Sampling-based path planning algorithms suffer from heavy reliance on uniform sampling, which accounts for unreliable and time-consuming performance, especially in complex environments. Recently, neural-network-driven methods predict regions as sampling domains to realize a non-uniform sampling and reduce calculation time. However, the accuracy of region prediction hinders further improvement. We propose a sampling-based algorithm, abbreviated to Region Prediction Neural Network RRT* (RPNN-RRT*), to rapidly obtain the optimal path based on a high-accuracy region prediction. First, we implement a region prediction neural network (RPNN), to predict accurate regions for the RPNN-RRT*. A full-layer channel-wise attention module is employed to enhance the feature fusion in the concatenation between the encoder and decoder. Moreover, a three-level hierarchy loss is designed to learn the pixel-wise, map-wise, and patch-wise features. A dataset, named Complex Environment Motion Planning, is established to test the performance in complex environments. Ablation studies and test results show that a high accuracy of 89.13% is achieved by the RPNN for region prediction, compared with other region prediction models. In addition, the RPNN-RRT* performs in different complex scenarios, demonstrating significant and reliable superiority in terms of the calculation time, sampling efficiency, and success rate for optimal path planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google