PRIEST：基于投影引导采样的自主导航优化方法
机器人学
2023-09-18 v1
摘要
在未知且动态的环境中实现高效导航，对于拓展移动机器人的应用领域至关重要。核心挑战源于缺乏可行的全局路径来引导基于优化的局部规划器。因此，现有局部规划器常陷入不良的局部极小值。本文提出一种新颖的优化器，能够探索多种同伦类，在长时域上规划高质量轨迹，同时仍足够快速以满足实时应用需求。我们基于无梯度范式，通过引入投影优化来增强轨迹采样策略，将样本引导至可行区域。因此，我们的方法能够从频繁遇到的病态情形中恢复，即所有采样轨迹均位于高代价区域。此外，我们还表明该投影优化具有高度可并行化结构，可轻易在 GPU 上加速。我们在以下方面推进了当前最优水平：在机器人操作系统（ROS）的导航栈上，成功率提升 7–13%，总行驶时间指标最高提升至两倍；在相同基准与指标下，相较 MPPI 及其近期变体，我们的方法最高实现 44% 的提升；在简单点对点导航任务中，我们的优化器比 SOTA 基于梯度的求解器以及采样类方法（如交叉熵方法（CEM）和 VPSTO）的可靠性最高提升至两倍。代码：https://github.com/fatemeh-rastgar/PRIEST
引用
@article{arxiv.2309.08235,
title = {PRIEST: Projection Guided Sampling-Based Optimization For Autonomous Navigation},
author = {Fatemeh Rastgar and Houman Masnavi and Basant Sharma and Alvo Aabloo and Jan Swevers and Arun Kumar Singh},
journal= {arXiv preprint arXiv:2309.08235},
year = {2023}
}