Greedy Heuristics for Sampling-based Motion Planning in High-Dimensional State Spaces

要約

サンプリングベースの運動計画アルゴリズムは、従来の離散グラフベースの探索と比較して、問題領域の事前の近似を必要としないため、高次元連続状態空間における解を見つけるのに非常に効果的である。RRT*と呼ばれる高速探索ランダムツリー（Rapidly-exploring Random Trees：RRT）アルゴリズムの任意のバージョンは、ランダムサンプリングによって問題領域を漸進的に近似し探索することで、多くの場合、高品質の解を見つけることができる。しかし、サンプリング効率が低く、収束速度が遅いため、複雑な計画問題における制約を克服するために、様々なヒューリスティックやサンプリング戦略を取り入れたRRT*の多くの変形が研究により提案されている。しかし、これらのアプローチは、RRT*の制約の特定の収束の側面に対処しており、実用的な運動計画アプリケーションのために、複雑な高次元の状態空間において、より良い解をより速い収束率で迅速に見つけることができるサンプリングベースのアルゴリズムの必要性を残している。本論文では、様々なRRT*のバリエーションで使用されている貪欲探索とヒューリスティック技術を統合し、活用することで、貪欲版anytime Rapidly-exploring Random Treesアルゴリズムを開発し、貪欲RRT*（G-RRT*）と呼ぶ。G-RRT*は、貪欲な接続ヒューリスティックを用いて、開始端とゴール端の両方に根を持つ2つの木を維持し、互いに進むことにより、RRT*の初期解探索時間を改善する。また、ヒューリスティックに基づいて問題領域の有望な領域に向かってサンプリングを導く、貪欲なバージョンの直接インフォームドサンプリング手順を導入することにより、RRT*の収束速度を加速する。我々は、シミュレートされた計画問題、バレットWAMアーム上の操作問題、および自己再構成可能ロボットPanthera上で我々のアプローチを検証した。その結果、G-RRT*は漸近的に最適な解経路を生成し、特に高次元計画問題において、最新のRRT*変種を凌駕することが示された。

要約(オリジナル)

Sampling-based motion planning algorithms are very effective at finding solutions in high-dimensional continuous state spaces as they do not require prior approximations of the problem domain compared to traditional discrete graph-based searches. The anytime version of the Rapidly-exploring Random Trees (RRT) algorithm, denoted as RRT*, often finds high-quality solutions by incrementally approximating and searching the problem domain through random sampling. However, due to its low sampling efficiency and slow convergence rate, research has proposed many variants of RRT*, incorporating different heuristics and sampling strategies to overcome the constraints in complex planning problems. Yet, these approaches address specific convergence aspects of RRT* limitations, leaving a need for a sampling-based algorithm that can quickly find better solutions in complex high-dimensional state spaces with a faster convergence rate for practical motion planning applications. This article unifies and leverages the greedy search and heuristic techniques used in various RRT* variants to develop a greedy version of the anytime Rapidly-exploring Random Trees algorithm, denoted as Greedy RRT* (G-RRT*). It improves the initial solution-finding time of RRT* by maintaining two trees rooted at both the start and goal ends, advancing toward each other using greedy connection heuristics. It also accelerates the convergence rate of RRT* by introducing a greedy version of direct informed sampling procedure, which guides the sampling towards the promising region of the problem domain based on heuristics. We validate our approach on simulated planning problems, manipulation problems on Barrett WAM Arms, and on a self-reconfigurable robot, Panthera. Results show that G-RRT* produces asymptotically optimal solution paths and outperforms state-of-the-art RRT* variants, especially in high-dimensional planning problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL