REVISE: Robust Probabilistic Motion Planning in a Gaussian Random Field

📄 arXiv: 2411.13369v1 📥 PDF

作者: Alex Rose, Naman Aggarwal, Christopher Jewison, Jonathan P. How

分类: cs.RO, eess.SY

发布日期: 2024-11-20

💡 一句话要点

提出REVISE算法，解决高斯随机场中动态系统鲁棒概率运动规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 运动规划 高斯随机场 鲁棒控制 概率路线图 协方差引导

📋 核心要点

  1. 现有运动规划方法难以应对高斯随机场中动态系统的不确定性，导致规划精度下降。
  2. REVISE算法通过鲁棒采样协方差引导边缘控制器，安全地引导机器人在状态分布间移动，满足状态约束。
  3. 实验表明，REVISE在多查询规划中精度提升10倍，单查询规划中成本降低2.5倍（6自由度系统）。

📝 摘要（中文）

本文提出了一种名为鲁棒采样协方差引导（REVISE）的多查询算法，该算法为在空间相关扰动（建模为高斯随机场）中导航的动态系统生成鲁棒的置信度路线图。我们提出的方法开发了一种新颖的基于鲁棒采样的协方差引导边缘控制器，以安全地引导机器人在状态分布之间移动，并满足沿轨迹的状态约束。我们提出的方法还在置信度路线图构建过程中加入了一个边缘重连步骤，该步骤可证明地提高了置信度路线图的覆盖率。与最先进的方法相比，REVISE在多查询规划中将中值规划精度（通过实际和计划的最终状态分布之间的Wasserstein距离衡量）提高了10倍，并在单查询规划中将中值规划成本（通过目标处计划的状态协方差的最大特征值衡量）降低了2.5倍（针对6自由度系统）。我们的代码将在https://acl.mit.edu/REVISE/上发布。

🔬 方法详解

问题定义：论文旨在解决动态系统在高斯随机场中进行鲁棒概率运动规划的问题。现有的运动规划方法在处理这种具有空间相关性的扰动时，往往难以保证规划的鲁棒性和精度，尤其是在多查询场景下，需要反复规划，累计误差会显著影响最终结果。现有方法的痛点在于无法有效地利用高斯随机场的信息来指导规划，并且难以在满足状态约束的同时，最小化规划的不确定性。

核心思路：REVISE的核心思路是构建一个鲁棒的置信度路线图，该路线图能够有效地覆盖状态空间，并且能够安全地引导机器人在状态分布之间移动。为了实现这一目标，REVISE采用了鲁棒采样协方差引导边缘控制器，该控制器能够根据高斯随机场的信息，调整机器人的运动轨迹，从而降低规划的不确定性。此外，REVISE还引入了边缘重连步骤，以提高置信度路线图的覆盖率。

技术框架：REVISE算法的整体框架包括以下几个主要步骤：1) 初始化：根据环境信息（包括高斯随机场）初始化状态空间；2) 采样：在状态空间中进行采样，生成一系列状态节点；3) 连接：使用鲁棒采样协方差引导边缘控制器连接相邻的状态节点，构建置信度路线图；4) 重连：对置信度路线图进行边缘重连，提高覆盖率；5) 查询：根据起始状态和目标状态，在置信度路线图中搜索最优路径。

关键创新：REVISE算法的关键创新在于以下两个方面：1) 鲁棒采样协方差引导边缘控制器：该控制器能够根据高斯随机场的信息，调整机器人的运动轨迹，从而降低规划的不确定性，保证规划的鲁棒性。与现有方法相比，该控制器能够更有效地利用环境信息，提高规划精度。2) 边缘重连步骤：该步骤能够提高置信度路线图的覆盖率，从而提高规划的成功率。与现有方法相比，该步骤能够更有效地探索状态空间，找到更优的路径。

关键设计：鲁棒采样协方差引导边缘控制器的关键设计在于如何根据高斯随机场的信息，调整机器人的运动轨迹。具体来说，该控制器会根据当前状态和目标状态之间的协方差矩阵，计算出一个控制输入，该控制输入能够引导机器人在满足状态约束的同时，最小化规划的不确定性。边缘重连步骤的关键设计在于如何选择需要重连的边缘。REVISE算法会选择那些连接距离较远或者连接概率较低的边缘进行重连，从而提高置信度路线图的覆盖率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，REVISE算法在多查询规划中将中值规划精度（通过实际和计划的最终状态分布之间的Wasserstein距离衡量）提高了10倍，并在单查询规划中将中值规划成本（通过目标处计划的状态协方差的最大特征值衡量）降低了2.5倍（针对6自由度系统）。这些结果表明，REVISE算法在鲁棒概率运动规划方面具有显著的优势。

🎯 应用场景

REVISE算法可应用于各种需要在不确定环境中进行运动规划的场景，例如自动驾驶、机器人导航、无人机飞行等。在高斯随机场建模环境扰动的情况下，该算法能够提高规划的鲁棒性和精度，从而保证系统的安全性和可靠性。该研究的未来影响在于推动运动规划技术在复杂环境中的应用，提高自主系统的智能化水平。

📄 摘要（原文）

This paper presents Robust samplE-based coVarIance StEering (REVISE), a multi-query algorithm that generates robust belief roadmaps for dynamic systems navigating through spatially dependent disturbances modeled as a Gaussian random field. Our proposed method develops a novel robust sample-based covariance steering edge controller to safely steer a robot between state distributions, satisfying state constraints along the trajectory. Our proposed approach also incorporates an edge rewiring step into the belief roadmap construction process, which provably improves the coverage of the belief roadmap. When compared to state-of-the-art methods, REVISE improves median plan accuracy (as measured by Wasserstein distance between the actual and planned final state distribution) by 10x in multi-query planning and reduces median plan cost (as measured by the largest eigenvalue of the planned state covariance at the goal) by 2.5x in single-query planning for a 6DoF system. We will release our code at https://acl.mit.edu/REVISE/.