【泡泡一分钟】运动规划算法的自动参数整定

每天一分钟，带你读遍机器人顶级会议文章

标题：Automatic Parameter Tuning of Motion Planning Algorithms

作者：Jos´e Cano, Yiming Yang, Bruno Bodin, Vijay Nagarajan, and Michael O’Boyle

来源：2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

编译：张宁

审核：陈世浪，颜青松

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

运动规划算法试图在规划时间和解决方案质量之间做出妥协。由于它们具有启发性，它们通常具有多个参数。在本文中，我们证明了在许多情况下，广泛使用的默认参数值并不理想。但是，找到优化某些度量标准的最佳参数并非易事，因为参数空间的大小可能很大。

图1 桌面顶部的场景，7-DoF KUKA机器人手臂需要通过狭窄的通道从直立姿势移动到目标配置。 左：侧视图，右：前视图。

我们评估和比较四种不同方法（即随机抽样，AUC-Bandit，随机森林和贝叶斯优化）的效率，以及两个运动规划算法，BKPIECE和RRT-connect的参数。我们提出了一种桌面式的场景，其中七个自由度的KUKA LWR机器人手臂必须在环境中存在多个物体的情况下从初始姿势移动到目标姿势。我们表明，BKPIECE（AUC-Bandit）和RRT-Connect（随机森林）的最佳方法分别平均提高了4.5x和1.26x的性能。

图2  随机场景：10个对象（左），50个对象（左边第二个），100个对象（中心），200个对象（第二个右边），300个对象（右边）。

然后，我们生成一组增加复杂度的随机场景，并且我们观察到在简单环境中找到的最佳参数在更复杂的场景中表现良好。最后，我们发现评估参数配置所需的时间可以减少超过2/3而且误差很小。总的来说，我们的结果表明，对于各种运动规划问题，可以找到在默认配置下显着提高性能同时需要非常合理的计算时间的解决方案。

图3 稳健性分析：对于每个随机场景（10,50,100,200和300个对象），我们运行BKPIECE及其默认配置，并为每个场景（包括其自身）获得最佳配置。

Abstract

 Motion planning algorithms attempt to find a good compromise between planning time and quality of solution. Due to their heuristic nature, they are typically configured with several parameters. In this paper we demonstrate that, in many scenarios, the widely used default parameter values are not ideal. However, finding the best parameters to optimise some metric(s) is not trivial because the size of the parameter space can be large. We evaluate and compare the efficiency of four different methods (i.e. random sampling, AUC-Bandit, random forest,and bayesian optimisation)to tune the parameter sof two motion planning algorithms, BKPIECE and RRT-connect. We present a table-top-reaching scenario where the seven degreesof-freedom KUKA LWR robotic arm has to move from an initial to a goal pose in the presence of several objects in the environment. We show that the best methods for BKPIECE (AUC-Bandit) and RRT-Connect (random forest) improve the performance by 4.5x and 1.26x on average respectively. Then, we generate a set of random scenarios of increasing complexity, and we observe that optimal parameters found in simple environments perform well in more complex scenarios. Finally, we find that the time required to evaluate parameter configurations can be reduced by more than 2/3 with low error. Overall, our results demonstrate that for a variety of motion planning problems it is possible to find solutions that significantly improve the performance over default configurations while requiring very reasonable computation times.

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/bbs/

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！

商业合作及转载请联系liufuqiang_robot@hotmail.com