Model Predictive Trees: Sample-Efficient Receding Horizon Planning with Reusable Tree Search

要約

情報を効率的に再利用することでパフォーマンスを向上させる後退地平線ツリー検索アルゴリズムであるモデル予測ツリー (MPT) を紹介します。
既存のソルバーは、前の反復からの最高品質の軌道のみを「ホットスタート」として再利用しますが、私たちの方法は最適なサブツリー全体を再利用するため、検索を同時に低品質領域から離れて高品質領域に誘導することができます。
時間変化するダイナミクスの下で誘発される追跡エラーを分析することにより、ツリーの再利用に対する制限を特徴づけ、探索の深さと変化するダイナミクスのタイムスケールの間のトレードオフを明らかにします。
数値研究において、私たちのアルゴリズムは、ホットスタートを備えた最先端のサンプリングベースのクロスエントロピー手法を上回ります。
私たちは、自律走行車のテストベッド上でプランナーが障害物フィールドに目標物体を押し込むという、理解不能な操作タスクを実行することを実証します。
この作業に関連するコードは https://github.com/jplathrop/mpt で利用可能になります。

要約(オリジナル)

We present Model Predictive Trees (MPT), a receding horizon tree search algorithm that improves its performance by reusing information efficiently. Whereas existing solvers reuse only the highest-quality trajectory from the previous iteration as a ‘hotstart’, our method reuses the entire optimal subtree, enabling the search to be simultaneously guided away from the low-quality areas and towards the high-quality areas. We characterize the restrictions on tree reuse by analyzing the induced tracking error under time-varying dynamics, revealing a tradeoff between the search depth and the timescale of the changing dynamics. In numerical studies, our algorithm outperforms state-of-the-art sampling-based cross-entropy methods with hotstarting. We demonstrate our planner on an autonomous vehicle testbed performing a nonprehensile manipulation task: pushing a target object through an obstacle field. Code associated with this work will be made available at https://github.com/jplathrop/mpt.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google