NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain

要約

インテリジェントな自律経路計画は、惑星の表面やオフロード環境などの平坦でない地形で動作する移動ロボットの探索効率を高めるために不可欠です。この論文では、ヒューリスティック領域を計算するための NNPP モデルを提案し、Astar のような基礎アルゴリズムがヒューリスティック領域を見つけることができるようにします。
この縮小された検索スペース内でのみ最適なパスが得られるため、検索時間が効果的に短縮されます。
NNPP モデルは、事前にアノテーションが付けられた多数の最適パスのデモンストレーションから、開始位置とゴール位置、およびマップ表現に関するセマンティック情報を学習し、マップ上の最適パスに属する可能性を表す各ピクセルの確率分布を生成します。
より具体的には、数値標高モデルから得られた傾斜、粗さ、標高差から各グリッド セルの横断コストを計算します。
その後、ガウス分布を使用して開始位置と終了位置がエンコードされ、さまざまな位置エンコード パラメーターがモデルのパフォーマンスに与える影響が分析されます。
トレーニング後、NNPP モデルは新しいマップ上で経路計画を \textcolor{改訂}{加速}することができます。

要約(オリジナル)

Intelligent autonomous path planning is essential for enhancing the exploration efficiency of mobile robots operating in uneven terrains like planetary surfaces and off-road environments.In this paper, we propose the NNPP model for computing the heuristic region, enabling foundation algorithms like Astar to find the optimal path solely within this reduced search space, effectively decreasing the search time. The NNPP model learns semantic information about start and goal locations, as well as map representations, from numerous pre-annotated optimal path demonstrations, and produces a probabilistic distribution over each pixel representing the likelihood of it belonging to an optimal path on the map. More specifically, the paper computes the traversal cost for each grid cell from the slope, roughness and elevation difference obtained from the digital elevation model. Subsequently, the start and goal locations are encoded using a Gaussian distribution and different location encoding parameters are analyzed for their effect on model performance. After training, the NNPP model is able to \textcolor{revision}{accelerate} path planning on novel maps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google