部分観測環境における自律地上ロボットナビゲーションのための時間サンプリング効率的適応ステートラティス

本論文は、部分的にしか観測できないoff-road環境で移動する自律地上ロボットのためのregional planner arbitration architecture「Temporally-Sampled Efficiently Adaptive State Lattices (TSEASL)」を提案する。従来のnavigation architectureでは、regional motion plannerが環境地図を消費してtrajectoryを出力し、local motion plannerがそれをreferenceとして使う。地図情報の変化に伴いregional plan guidanceが連続的に改訂されるため、local plannerに渡されるreference trajectoryが連続するplanning cycle間で大きく異なり、不安全なnavigation behaviorを引き起こすことがある。TSEASLは、以前に生成されたtrajectoryの更新・最適化版と現在生成されたtrajectoryを比較検討する。

従来のautonomous navigation architectureでは、regional plannerが出力するreference trajectoryがplanning cycleごとに大きく変動し、off-road環境での自律走行中にmanual safety interventionが必要になることがあった。TSEASLは、以前に生成されたtrajectoryの更新・最適化版と現在のtrajectoryを比較するarbitration architectureを導入することで、この急速に変化するguidanceの問題を緩和する。結果として、baseline plannerでmanual interventionが必要だった同じ場所で、TSEASL実行時にはmanual interventionが不要となり、planner stabilityもbaselineより高い値が記録された。

TSEASLは、regional planner arbitration architectureであり、以前に生成されたtrajectoryの更新・最適化版と現在生成されたtrajectoryを比較検討する。これにより、連続するplanning cycle間でreference trajectoryが急変することを防ぎ、local plannerへのguidanceを安定化させる。具体的なアルゴリズムの詳細やState Latticesの構成、時間的サンプリングの方法は要旨からは不明。

Clearpath Robotics Warthog Unmanned Ground Vehicle上で、およびWarthogから収集したreal map dataを用いてテストされた。結果として、TSEASL実行時にはbaseline plannerでmanual interventionが必要だった同じ場所でmanual interventionが不要であった。また、baselineと比較してTSEASLでより高いplanner stabilityが記録された。

論文は、TSEASLを様々なoff-road autonomy scenarioにより一般化可能にするためのさらなる改善についての議論で結論付けられている。具体的な議論の内容や限界、今後の課題の詳細は要旨からは不明。

要旨では特定の参照論文や比較手法は明示されていない。関連手法として、regional motion planner、local motion planner、State Lattices、Efficiently Adaptive State Lattices (EASL) などが挙げられる。同分野の定番としては、sampling-based planning (RRT*, PRM) やlattice-based planningが考えられる。