Flexible Informed Trees (FIT*): Adaptive Batch-Size Approach in Informed Sampling-Based Path Planning

要約

経路計画では、いつでもほぼ確実に漸近的に最適なプランナが、サンプリングに基づくプランナのベンチマークを支配している。顕著な例はバッチインフォームドツリー(BIT*)であり、プランナは探索領域内の頂点のバッチへの経路を反復的に決定する。しかし、一貫したバッチサイズを利用することは、初期経路探索や最適性能にとって非効率であり、効果的なタスク割り当てに依存する。本論文では、初期経路の収束率を向上させる適応的バッチサイズ法を統合したサンプリングベースのプランナーであるFlexible Informed Trees (FIT*)を紹介する。FIT*は、構成空間の固有次元とn次元超楕円体の超体積に基づいてバッチサイズを動的に調整する柔軟なアプローチを採用している。密と疎のサンプリング戦略を適用することで、FIT*は収束率を向上させ、より低い初期解コストでより早く成功解を見つける。この手法により、初期探索段階におけるプランナの狭く限定された空間を扱う能力が向上し、最適化段階におけるバッチの頂点サンプリング頻度が増加する。FIT*は、テストされた問題において、既存の単一クエリ、サンプリングに基づくプランナをR^2からR^8で上回り、実世界の移動操作タスクで実証された。

要約(オリジナル)

In path planning, anytime almost-surely asymptotically optimal planners dominate the benchmark of sampling-based planners. A notable example is Batch Informed Trees (BIT*), where planners iteratively determine paths to batches of vertices within the exploration area. However, utilizing a consistent batch size is inefficient for initial pathfinding and optimal performance, it relies on effective task allocation. This paper introduces Flexible Informed Trees (FIT*), a sampling-based planner that integrates an adaptive batch-size method to enhance the initial path convergence rate. FIT* employs a flexible approach in adjusting batch sizes dynamically based on the inherent dimension of the configuration spaces and the hypervolume of the n-dimensional hyperellipsoid. By applying dense and sparse sampling strategy, FIT* improves convergence rate while finding successful solutions faster with lower initial solution cost. This method enhances the planner’s ability to handle confined, narrow spaces in the initial finding phase and increases batch vertices sampling frequency in the optimization phase. FIT* outperforms existing single-query, sampling-based planners on the tested problems in R^2 to R^8, and was demonstrated on a real-world mobile manipulation task.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL