Joint-Space Multi-Robot Motion Planning with Learned Decentralized Heuristics

要約

この論文では、集中型のサンプリングベースのツリー検索と分散型のデータ駆動型ステアリングおよび距離ヒューリスティックをバイアスすることによる、マルチロボットの動作計画の方法を紹介します。
ロボットと障害物の密度の範囲にわたって、単純な急速拡張ランダム ツリー (RRT) と二重積分器ダイナミクスの手法の変形を評価します。
通常の RRT はすべての場合に 4 ドルのロボットの計画に失敗しますが、私たちの方法では、非常に大きな 65 次元空間の検索に対応して、最大 16 台のロボットの計画が可能であることを示し、これにより、データ駆動型ヒューリスティックの戦闘における有効性が検証されます。
検索スペースの急激な増加。
また、ヒューリスティック情報は補完的なものであることもわかりました。
両方のヒューリスティックを使用すると、それぞれを単独で使用する場合と比較して、失敗率、ノード、およびパスのコストが低い検索ツリーが生成されます。
これらの結果は、高次元の関節空間運動計画の問題を局所的な問題に効果的に分解できることを示しています。

要約(オリジナル)

In this paper, we present a method of multi-robot motion planning by biasing centralized, sampling-based tree search with decentralized, data-driven steer and distance heuristics. Over a range of robot and obstacle densities, we evaluate the plain Rapidly-expanding Random Trees (RRT), and variants of our method for double integrator dynamics. We show that whereas plain RRT fails in every instance to plan for $4$ robots, our method can plan for up to 16 robots, corresponding to searching through a very large 65-dimensional space, which validates the effectiveness of data-driven heuristics at combating exponential search space growth. We also find that the heuristic information is complementary; using both heuristics produces search trees with lower failure rates, nodes, and path costs when compared to using each in isolation. These results illustrate the effective decomposition of high-dimensional joint-space motion planning problems into local problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google