用于高速导航的生成式规划与快速碰撞检查

https://t.zsxq.com/sqiFahttps://t.zsxq.com/sqiFa

本文提出了一种新颖的规划方法，使用归一化流（NF）来编码专家风格的运动基元，同时提出了一种加速的碰撞检测框架，可以在运行模型之前从先验分布中拒绝样本，从而快速采样无碰撞轨迹。实验结果表明，该方法在随机障碍环境中与模型预测路径积分控制相当，并在死胡同环境中提高了退出率。

01  引言

本文提出了一个新颖的规划方法，利用归一化流（NF）来编码专家风格的运动基元。同时，本文还提出了一种加速的碰撞检测框架，可以在运行模型之前从先验分布中拒绝样本，从而快速采样无碰撞轨迹。选择NF作为生成器允许编码多样的多模态行为分布，同时保持与输入空间的平滑关系，这允许在NF输入上而不是输出上近似碰撞检查。在随机障碍环境中，本文展示了与模型预测路径积分控制相当的表现，并在死胡同环境中提高了退出率。

02  相关工作

本文提到，高速导航在障碍丰富的环境中仍然是一个重大挑战。传统的探索性运动规划和控制架构（例如快速探索随机树（RRT）变体）在竞争时间尺度上提供的解决方案质量有限。最近边缘处理技术的改进并未提高这一问题，因为搜索是顺序的。

03  问题表述

本文寻求产生一个框架，能够在高密度的障碍场中以高速进行导航。本文将车辆的初始位姿，一个运行成本函数J，一个障碍物地图，以及一个确定状态是否碰撞的碰撞检查函数作为输入。目标是最小化运行成本函数，并确保轨迹τ不发生碰撞（即对于所有t）。

04  方法

首先收集一组专家风格的运动基元，然后训练一个NF 来捕获专家数据集的分布。在线生成归一化流后，我们建立一个掩码缓存，大致确定在给定地图的情况下先验分布中哪些样本将导致碰撞。在线，我们使用掩码缓存，仅在先验分布的样本偏向占据自由空间时，才将其通过NF模型。我们选择每个规划迭代中最佳的非碰撞基元，并使用低级控制器跟踪该基元，直到下一次规划迭代。

05  实验设置

为了建立专家数据集，我们通过遥操作一个轻微修改的MITRacecar平台，并收集了运动捕捉数据。然后，我们用最小二乘法拟合参数到每个子轨迹。我们选择了两层神经样条模型，每层有两个块和16个隐藏通道。

06  结果

在随机障碍世界中，我们的控制器GenPlan与MPPI在正x进度和碰撞率上表现相当。在死胡同世界中，GenPlan的退出率远高于MPPI。

07  结论和未来工作

本文提出了一种规划框架，利用NF来采样专家风格的运动基元。基元采样通过在运行模型之前从先验分布中拒绝样本来加速，从而强烈地使采样产生多样性和无碰撞轨迹。本文展示了与MPPI的比较，在随机障碍环境中表现相当，但在死胡同环境中提高了退出率。