RIT*: Riemannian Informed Trees for Cost-Adaptive Optimal Motion Planning

ロボットを迷路の中で誘導しようとしている場面を想像してみてください。ロボット工学の世界では、これは「モーションプランニング（動作計画）」と呼ばれます。長い間、これを行う最も賢い方法は、ロボットの動きを平らな盤面上のチェッカーゲームのように扱うことでした。つまり、前進、後退、または横への移動はすべて同じエネルギーを消費し、最短経路は単なる直線であるという考え方です。これは、単純で空っぽの部屋であれば非常にうまく機能します。しかし、現実の世界は平らな盤面ではありません。例えば、多くの関節を持つロボットアームを考えてみてください。重い手首をひねるのは簡単かもしれませんが、重い肩を持ち上げるのは非常に体力を消耗するかもしれません。あるいは、壁の脇を通り抜けようとしているロボットを想像してください。壁に近づきすぎるのは危険なので、壁の近くにいる「コスト」は高く設定されるべきです。

問題は、ほとんどのロボットの脳がいまだにこの古い「平らな盤面」の数学を用いていることです。彼らは、方向によって難易度が異なることや、特定の領域がより危険であることを理解していません。この論文では、RIT（Riemannian Informed Trees）と呼ばれる新しい考え方を紹介しています。RITは、世界が平坦で均一であると仮定するのではなく、場所や動かし方に応じて世界が「曲がっており」「伸び縮みしている」ことを理解します。これは、山と谷を同じ距離として扱う地図から、登るにはるかに多くの労力が必要であることを知っている地図へと切り替えるようなものです。このよりスマートな数学を用いることで、ロボットは単に短い経路だけでなく、実際に最も容易で安全な経路を見つけることができます。

問題点： 「平らな地図」の間違い

長年、優れたロボットプランナーは「インフォームド・サンプリング（情報に基づいたサンプリング）」というトリックを使用してきました。一度ロボットが地点Aから地点Bへの何らかの経路を見つけると、世界全体を見るのをやめ、その経路の周囲にある特定の「探索バブル（検索範囲）」の中だけを見るようになります。これにより、より良い経路を見つける速度が大幅に向上します。

しかし、これらのプランナーは標準的な平坦な幾何学（ユークリッド距離）を用いて探索バブルを描画します。彼らは、左に1メートル動くのも上に1メートル動くのも同じコストであると想定しています。しかし、現実の世界、特に多くの可動部を持つ複雑なロボットにとっては、これは間違いです。

• 異方性の問題： ロボットアームを想像してください。軽く速い手首の関節を動かすのは安上がりです。しかし、重くて遅い肩の関節を動かすのは高価（大変）です。平らな地図は、これらを等価として扱います。
• 障害物の問題： もしロボットが壁にぶつかった場合、その領域が「悪い」ことを学習します。しかし、標準的なプランナーは、すべての障害物のマップを事前にプログラムされていない限り、その場所が「どの程度」悪いのかを自動的に学習したり、将来の試行において回避したりすることはできません。

この論文の著者たちは、こうした平坦で既定のルールに頼ることは、特に高次元空間（多くの関節を持つロボット）や、移動の「コスト」が場所によって変化する環境において、ロボットを非効率にさせると主張しています。

解決策： RIT* と 「伸び縮みする」地図

この論文は、平坦な数学を リーマン幾何学 に置き換えた新しいプランニング・フレームワークである RIT* を提示しています。ロボットの世界をゴムのシートだと想像してみてください。リーマン幾何学によって、そのシートを伸ばしたり縮めたりすることが可能になります。

• 地図を伸ばす： 動きが困難な領域（重い腕を持ち上げる場合など）では、地図が引き伸ばされ、それらの領域がより「遠く」、より高価に見えるようになります。動きやすい領域では、地図は縮みます。
• 新しい探索バブル： 完全な円や楕円を描く代わりに、RIT* はこの「伸び縮みする」地図に適合する形状を描きます。これにより、この新しい曲がった地図上で実際に安上がりに見える経路にのみ探索を集中させます。
• スマートな接続： ロボットが2点間を接続することを検討する際、単に直線を確認するだけではありません。「カスケード（連鎖的）」なフィルターを使用します。まず、素早く大まかなチェックを行います。もしその経路が高価そうであれば、即座に破棄します。有望な経路のみが、詳細な計算へと進みます。これにより、膨大なコンピュータ時間を節果できます。

秘密兵器： CARM（衝突からの学習）

この論文で最もエキサイティングな部分は、CARM（Collision-Adaptive Metric Refinement：衝突適応型メトリック精緻化）と呼ばれる機能です。

通常、ロボットに障害物を回避させるためには、エンジニアが手動で「コストフィールド（ここからは離れろと指示するマップ）」を設計する必要があります。しかし、もしロボットがまだそのマップを知らないとしたらどうでしょうか？

• 学習プロセス： CARMは、ロボットがプランニングをしている「最中」にマップを学習させます。ロボットが経路を試みて壁に当たった（衝突した）とき、CARMはその事実を記録します。「なるほど、この場所は危険だ」と認識するのです。
• フィードバックループ： これにより、衝突の記録から危険度のヒートマップを作成します。そして、それらの場所の近くを移動するコストを膨らませます。次にロボットがプランニングを行うとき、以前クラッシュした場所から自然に遠ざかるように誘導されます。
• 事前知識不要： ロボットは開始時に完璧な部屋のマップを持っている必要はありません。白紙の状態（あるいは関節の動きに関する基本的な概念）からスタートし、進みながら障害物を学習していくことができます。

実験の結果

研究者たちは、単純な2次元迷路から、複雑な14次元のロボットアーム（例えば、二本腕のロボットのようなもの）まで、さまざまなシミュレーション環境でRIT*をテストしました。

• 単純な世界において： 環境が均一（トリッキーなコストがない状態）であれば、RIT*は既存の最高の手法と同等の性能を発揮しました。既存の手法を損なうことはなく、単に競合と同等の結果を出しました。
• 複雑な世界において： ここでRIT*の本領が発揮されました。
  • 方向依存のコストがあるトリッキーな 3次元環境 では、RITは従来の最高手法（BIT）よりも 13.0%安上がり（効率的） な解決策を見つけました。
  • 6次元ロボットアーム のタスクでは、最終的な経路コストを 9.0% 改善しました。
  • 最も困難なテストである 14次元の二本腕ロボット では、改善は劇的でした。RITは、他の手法よりも 24.8%から63.5%も優れた 経路を見つけ出しました。このような高次元のケースでは、従来の「平らな地図」を用いる手法は行き詰まるか、ひどい経路を見つけてしまう一方で、RITは改善を続けました。
• 実機ロボットテスト： 彼らはこのアルゴリズムを実際の UR10e ロボットアーム でも実行しました。ロボットはスムーズで衝突のない動作を計画・実行することに成功し、この数学がシミュレーション内だけでなく、現実世界でも機能することを証明しました。

結論

この論文は、ロボットの世界を硬直した平らなグリッドとしてではなく、柔軟で曲がった風景として扱うことで、より優れた経路を見つけられることを証明しています。RIT*は単に「ある」経路を見つけるのではなく、ある動きは他の動きよりも大変であるということを理解し、自らのミス（衝突）から学ぶことで、「最もスマートな」経路を見つけ出します。

この手法は複雑な計算を行うために多くのコンピュータパワーを必要としますが、複雑なロボットがトリッキーな環境に置かれた場合、この追加の努力が、より優れた、より安全で、より効率的な動きという形で報われることを結果が示しています。著者たちは、ロボットがより複雑になり、より予測不可能な環境に進入するにつれて、このような「曲がった地図」の思考が不可欠になるだろうと示唆しています。