Performance Comparison of Classical and Neural Sampling Algorithms for Robotic Navigation

Technische Samenvatting: Prestatievergelijking van Klassieke en Neuronale Sampling-algoritmen voor Robotnavigatie

Probleemstelling
Sampling-gebaseerde bewegingsplanning is fundamenteel voor autonome systemen, waaronder grondrobots, UAV's en zelfrijdende voertuigen. Hoewel de Rapidly-Exploring Random Tree (RRT) en zijn optimale variant, RRT*, wijdverbreid worden gebruikt vanwege hun efficiëntie in hoog-dimensionale ruimtes, lijden ze onder inefficiënte willekeurige sampling. Dit leidt tot hoge rekenkosten, trage convergentie en suboptimale, gekartelde paden, met name in rommelige omgevingen met variërende obstakeldichtheden. Hoewel varianten zoals Informed RRT* gebruikmaken van handgemaakte heuristieken (bijvoorbeeld ellipsoïdale sampling) om de convergentie te versnellen, missen ze de aanpasbaarheid aan diverse omgevingsstructuren. Recente vooruitgang in machine learning suggereert dat neurale netwerken sampling kunnen beïnvloeden richting veelbelovende gebieden, maar een geünificeerde, gecontroleerde evaluatie die deze door neurale netwerken geleide benaderingen vergelijkt met klassieke baselines onder consistente omstandigheden blijft beperkt.

Methodologie
Deze studie implementeert en vergelijkt drie algoritmen binnen een geünificeerd kader in omgevingen met schaarse, middelmatige en dichte obstakelverdelingen:

1. RRT:* De klassieke baseline die gebruikmaakt van uniforme willekeurige sampling en asymptotische optimaliteit via node-herbedrading.
2. Neural RRT:* Een verbetering waarbij de sampling-stap wordt geleid door een waarschijnlijkheidskaart $P(x, y)$ die wordt voorspeld door een getraind neuronaal netwerk. Sampling is een gewogen mix van de geleerde verdeling en uniforme sampling ($x_{rand} \sim \alpha P(x, y) + (1-\alpha)U(X_{free})$).
3. Neural Informed RRT:* Een hybride aanpak die de geleerde samplingverdeling combineert met de geometrische beperkingen van Informed RRT*. Na het vinden van een eerste haalbaar pad met kosten $c_{best}$, wordt sampling beperkt tot de doorsnede van de geleerde waarschijnlijkheidskaart en een ellipsoïdale regio gedefinieerd door het startpunt, het doelpunt en $c_{best}$.

Neuraal Netwerk Architectuur en Training
Beide neuronale planners maken gebruik van een op U-Net gebaseerd model met een ResNet-50 encoder-decoder structuur. De invoer is een 224×224 drie-kanaals afbeelding die de obstakelkaart, startpositie en doelpositie codeert. Het netwerk output een dichte waarschijnlijkheidskaart die het samplingproces leidt. Het model wordt op een superviserende manier getraind met behulp van een dataset gegenereerd door het A*-algoritme op willekeurige roostercarten. Het trainingsdoel minimaliseert de Dice-verlies tussen de voorspelde waarschijnlijkheidskaart en de grond-waarheid padmasker (verruimd voor robuustheid). Data-augmentatietechnieken, waaronder willekeurige obstakelvariaties en herschikking van start-doel, worden ingezet om generalisatie te waarborgen.

Belangrijkste Bijdragen

• Geünificeerde Vergelijking: Het paper biedt een gecontroleerde, zij-aan-zij evaluatie van klassieke RRT*, Neural RRT* en Neural Informed RRT* over kaarten van variërende complexiteit, waarmee het gebrek aan consistente benchmarks in bestaande literatuur wordt aangepakt.
• Kwantitatieve Evaluatie: De prestaties worden strikt beoordeeld aan de hand van vier metrieken: padlengte, planningsduur, padgladheid en succespercentage.
• Trade-off Analyse: De studie analyseert expliciet de trade-offs tussen de rekenkundige overhead van neuronale inferentie en de winst in trajectkwaliteit en convergentie-efficiëntie.

Resultaten
Experimenten uitgevoerd op 50 runs per kaarttype (schaars, medium, dicht) leverden de volgende bevindingen op:

• Padkwaliteit: Neural Informed RRT* behaalde consistent de kortste padlengtes en gladste trajecten. In dichte omgevingen toonde het tot een reductie van 14% in padlengte en een verbetering van 55–75% in gladheid ten opzichte van klassieke RRT*. Neural RRT* verbeterde ook de padkwaliteit ten opzichte van de baseline, maar in mindere mate.
• Planningsduur: Klassieke RRT* vertoonde over het algemeen de snelste planningsduur, met name in schaarse kaarten. Neuraal geleide planners leden aan een marginale toename in rekentijd door netwerkinferentie. De studie merkt echter op dat deze tijdkost wordt opgewogen door de significante verbeteringen in padoptimaliteit en gladheid in complexe omgevingen.
• Succespercentage: Alle algoritmen behielden een succespercentage van 100% in schaarse en medium-dichtheid kaarten. In dichte kaarten daalde Neural Informed RRT* af en toe tot een succespercentage van 90% (toegeschreven aan agressieve verkleining van de zoekruimte), maar presteerde nog steeds beter dan anderen op efficiëntiemetrieken.

Betekenis en Beweringen
Het paper beweert dat het integreren van AI-gebaseerde geleiding in sampling-gebaseerde planners de betrouwbaarheid en trajectefficiëntie van robotnavigatie aanzienlijk verbetert. De resultaten tonen aan dat Neural Informed RRT* de beste balans biedt tussen padkwaliteit en rekentijd, waardoor het de meest geschikte keuze is voor navigatie in complexe, rommelige omgevingen. Hoewel de aanpak een lichte rekenkundige overhead introduceert, concludeert de studie dat de resulterende verbeteringen in padoptimaliteit en gladheid deze kost rechtvaardigen voor real-time toepassingen. De auteurs positioneren dit werk als een stap naar het bevorderen van real-time robotpadplanning door effectieve integratie van geleerde heuristieken met klassieke optimaliteitsgaranties. Voor toekomstig werk wordt voorgesteld om deze methoden uit te breiden naar dynamische, driedimensionale omgevingen en real-world robottoepassingen.