策略迭代 RRT# 的 GPU 并行化
机器人学
2020-09-10 v2
摘要
基于采样的规划因其快速探索高维构型空间的卓越能力，已成为复杂机器人的事实标准。大多数现有最优基于采样的规划算法本质上是串行的，无法利用现代计算机硬件上可用的广泛并行性。此外，这些算法中探索与利用阶段的紧密同步限制了采样吞吐量与规划器性能。策略迭代 RRT#（PI-RRT#）在利用阶段暴露了细粒度并行性，但该并行性尚未通过具体实现进行评估。我们首先给出 PI-RRT# 利用阶段的一种新型 GPU 实现，并讨论最大化并行性能的数据结构考量。我们的实现相较串行 PI-RRT# 实现取得了 3-4 倍加速，整体规划时间平均减少 77.9%。作为第二项贡献，我们引入批处理扩展 RRT# 算法，其放宽了 PI-RRT# 中的同步，从而在串行与并行利用下分别实现了独立的 12.97 倍与 12.54 倍加速。
引用
@article{arxiv.2003.04920,
title = {GPU Parallelization of Policy Iteration RRT#},
author = {R. Connor Lawson and Linda Wills and Panagiotis Tsiotras},
journal= {arXiv preprint arXiv:2003.04920},
year = {2020}
}
备注
6 pages, 5 figures