Neural Informed RRT* with Point-based Network Guidance for Optimal Sampling-based Path Planning

要約

Rapidly-exploring Random Tree (RRT) のようなサンプリングベースの計画アルゴリズムは、パス計画の問題を解決するのに多用途です。
RRT* は漸近的な最適性を提供しますが、空き領域全体にツリーを均一に成長させる必要があるため、効率向上の余地が残されています。
収束を加速するために、インフォームド アプローチでは、反復中の現在のパス コストによって決定される探索空間の楕円体サブセット内のサンプル状態が使用されます。
学習ベースの代替案は、検索空間のトポロジーをモデル化し、計画を導くための最適なパスに近い状態を推測します。
私たちは双方の強みを組み合わせて、ポイントベースのネットワークガイダンスを備えたニューラルインフォームドRRT*を提案します。
ポイントベースのネットワークを導入してガイダンス状態を推論し、そのネットワークを Informed RRT* に統合してガイダンス状態を改良します。
Neural Connect を使用してガイダンス状態セットの接続を構築し、困難な計画問題のパフォーマンスをさらに向上させます。
私たちの方法は、確率的な完全性と漸近的な最適性を維持しながら、パス計画ベンチマークにおいて以前の研究を上回っています。
現実世界での移動ロボットナビゲーションへの私たちの手法の展開を実証します。

要約(オリジナル)

Sampling-based planning algorithms like Rapidly-exploring Random Tree (RRT) are versatile in solving path planning problems. RRT* offers asymptotical optimality but requires growing the tree uniformly over the free space, which leaves room for efficiency improvement. To accelerate convergence, informed approaches sample states in an ellipsoidal subset of the search space determined by current path cost during iteration. Learning-based alternatives model the topology of the search space and infer the states close to the optimal path to guide planning. We combine the strengths from both sides and propose Neural Informed RRT* with Point-based Network Guidance. We introduce Point-based Network to infer the guidance states, and integrate the network into Informed RRT* for guidance state refinement. We use Neural Connect to build connectivity of the guidance state set and further boost performance in challenging planning problems. Our method surpasses previous works in path planning benchmarks while preserving probabilistic completeness and asymptotical optimality. We demonstrate the deployment of our method on mobile robot navigation in the real world.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google