2015-A Review 《Efficient Configuration Space Construction and Optimization for Motion Planning》

2015年 发表在《Engineering》

运动规划的高效配置空间构建与优化

 描述机器人的配置空间有两项重大挑战：

1.如何计算高维配置空间的近似表达

2.如何在高维配置空间内高效执行运动规划查询

作者基于机器学习和几何学近似技术，提出新的配置空间构建算法。还提出了基于GPU的算法。

在配置空间（C空间）内，可以将机器人绘制成一个点，从而运动规划问题分为两步

1）配置空间的表达

2）根据计算的表达进行优化操作

下图分别为配置空间和工作空间

基于C空间的运动规划流水线，主要面临两个问题

1）计算配置空间的近似表达比较困难

2）机器人需要实时规划，但是对配置空间的计算表达进行优化的耗时较长

本文作者提出将配置空间构建问题转化为机器学习问题，并提出了利用GPU来加速配置空间内的优化计算

C空间分为无碰撞空间Cfree和碰撞空间Cobs，Cobs是闭集，Ccont表示其边界

前人对配置空间的构建主要分为两种方法：几何学和拓扑学

几何学方法计算比较复杂

拓扑学方法在窄通道应用不太理想

运动规划问题可呈现为C空间内的优化约束问题

应满足如下约束条件：

1）轨迹应在Cfree内

2）轨迹应切实可行

目前基于C空间，

以优化为基础的运动规划算法有CHOMP、TrajOPT等等

以搜索为基础的算法有Anytime A*

对于高自由度机器人，大多数以随机算法为基础，如PRM和RRT

使用机器学习方法表达配置空间，首先在配置空间内生成样本，然后使用这些样本来估算接触空间Ccont。其方法便是对表面进行分离，表面能分离有碰撞和无碰撞的样本，使用SVM分类法来计算分离表面。

离线学习算法，如下图

本文选择PRM算法作为并行规划的基本方法，因为PRM最适合利用GPU的多核与数据并行。

总结：

利用机器学习分类器，对配置空间取样，并估算接触空间。

其中，使用主动学习技术选择样本。

最后，在GPU上进行规划。