PPNet: A Novel Neural Network Structure for End-to-End Near-Optimal Path Planning

要約

サンプリングベースのパス プランナーなどの従来のパス プランナーには、初期解に対する感度と最適解への収束が遅いという制限があります。
ただし、電力や燃料が限られている自動運転車などの多くの用途では、短期間で最適に近いソリューションを見つけるのは困難です。
エンドツーエンドの最適に近いパス プランナーを実現するために、まずパス プランニングの問題を 2 つのサブ問題、つまりパスの空間セグメンテーションと指定されたパスの空間でのウェイポイントの生成に分割します。
さらに、上記の部分問題を解決することによって経路計画問題を解決するために、Path Planning Network (PPNet) と呼ばれる 2 レベルのカスケード ニューラル ネットワークを提案します。
さらに、我々は、EDaGe-PPと呼ばれる経路計画のための新しい効率的なデータ生成方法を提案します。
結果は、他の方法と比較して、総計算時間が 1/33 未満であり、EDaGe-PP によって生成されたデータセットによってトレーニングされた PPNet の成功率が約 $2 \times$ であることを示しています。
私たちは、最先端のパス計画手法に対して PPNet を検証します。
結果は、PPNet が 15.3 ミリ秒で最適に近いソリューションを見つけられることを示しています。これは、最先端のパス プランナーよりもはるかに短いです。

要約(オリジナル)

The classical path planners, such as sampling-based path planners, have the limitations of sensitivity to the initial solution and slow convergence to the optimal solution. However, finding a near-optimal solution in a short period is challenging in many applications such as the autonomous vehicle with limited power/fuel. To achieve an end-to-end near-optimal path planner, we first divide the path planning problem into two subproblems, which are path’s space segmentation and waypoints generation in the given path’s space. We further propose a two-level cascade neural network named Path Planning Network (PPNet) to solve the path planning problem by solving the abovementioned subproblems. Moreover, we propose a novel efficient data generation method for path planning named EDaGe-PP. The results show the total computation time is less than 1/33 and the success rate of PPNet trained by the dataset that is generated by EDaGe-PP is about $2 \times$ compared to other methods. We validate PPNet against state-of-the-art path planning methods. The results show PPNet can find a near-optimal solution in 15.3ms, which is much shorter than the state-of-the-art path planners.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google