rrtを用いて学習するニューラルネットワークによるパス...

山下貴大

第35回日本ロボット学会学術講演会

九州工業大学大学院工学府機械知能工学専攻

RRTを用いて学習するニューラルネットワークによる

パスプランニング

西田健九州工業大学大学院工学研究院機械知能工学研究系

1. 背景と目的

障害物が存在する環境におけるロボットの軌道計画（パスプランニング）

自律走行ロボット

産業用ロボット

サービスロボット

様々なロボットにおいて重要な技術

様々な手法

一長一短あり

ダイクストラ法 RRT (Rapidly-Exploring Random Trees)ポテンシャル法

機械学習ニューラルネットワーク（NN）

RRT +多層ニューラルネットワーク

1. 背景と目的

RRT（学習不要だが不安定） NN（安定だが学習が重い）

制約条件を伴う軌道計画が得意．平滑化処理で品質の高い軌道生成．同一の始点と終点の組に対して

生成される軌道が変動．

学習後には高速に軌道を生成．同一の始点と終点の組に対して同一の軌道が生成される．学習に多数の教師つきデータが必要．

1. 様々な組み合わせの始点と終点を与えRRTで軌道を大量に生成．

2. 多層ニューラルネットワーク（MLN: Multi Layerd Neural Network）で学習．3. 回帰的に中間点のみを想起する戦略．

提案ポイント

統合により短所を克服！

2. 提案手法

様々な組み合わせの始点と終点を与えRRTで軌道を大量に生成 (データセットの作成)１

RRTで軌道を生成(障害物を0.1 [m]大きく見積もる)

生成経路から中間の三点を抽出

望ましい軌道を選別

軌道生成の例

経路の概略図

𝒙𝒙𝑎𝑎(𝑛𝑛)

𝒙𝒙𝑠𝑠(𝑛𝑛)

𝒙𝒙𝑔𝑔(𝑛𝑛)

𝒙𝒙𝑏𝑏𝑏(𝑛𝑛)


2. 提案手法

多層ニューラルネットワーク（MLN: Multi Layerd Neural Network）で学習２




𝒙𝒙𝑠𝑠(𝑛𝑛) 𝒙𝒙𝑔𝑔

(𝑛𝑛)


MLNモジュール

始点と終点を入力すると中間点を想起




2. 提案手法

回帰的に

中間点のみを想起する戦略３

MLNモジュール 𝑁𝑁𝑏

MLNモジュール 𝑁𝑁𝑏

MLNモジュール 𝑁𝑁3

𝒙𝒙(𝑛𝑛) =𝒙𝒙𝑠𝑠

(𝑛𝑛)


�𝒙𝒙𝑎𝑎(𝑛𝑛)

𝒙𝒙3(𝑛𝑛) =


𝒙𝒙𝑔𝑔(𝑛𝑛)𝒙𝒙𝑏

(𝑛𝑛) =𝒙𝒙𝑠𝑠

(𝑛𝑛)


�𝒙𝒙𝑏𝑏𝑏(𝑛𝑛) �𝒙𝒙𝑏𝑏𝑏

(𝑛𝑛)









始点と終点を入力すると軌道の中間点を回帰的に想起

単純な環境：少ないモジュール複雑な環境：モジュールを追加

ポイント！

Layered-MLN

c

3. シミュレーション環境（二次元平面）

中間層のユニット数 : 30

中間層数 : 4層ミニバッチ : 50学習回数 : 20中間層の活性化関数 : ReLU関数誤差関数 : 平均二乗誤差学習率の減衰 : Adam法フレームワーク : Chainer

構築モデル

テスト環境の例

4. 二次元平面でのシミュレーション

RRTによる経路生成結果start

goal

ランダムに生成した始点、終点の組に対して軌道生成

データセットの作成


Layered-MLNの学習結果

生成された経路（100テストデータ）

• 学習した環境．• 始点と終点を100通り与えた．

goal

start

• 同一の始点と終点の組に対しては必ず同

じ軌道が想起されることを確認．• 衝突しない軌道が生成できることを確認．

項目 RRT MLN

平均軌道生成時間 [ms] 1.78 2.08

障害物に接触した軌道の数 0 0


他の環境での実験結果


他の環境での実験結果

複雑な環境に対しては L-MNLの層数を増加させる軌道生成後に最適化手法を適用

障害物の位置が変化した場合にも再学習することで適応可能

5. 結論

経路の生成時間はRRT手法の方が優れている(二次元環境)

環境が高次元になるにつれてMLN手法の優位性が顕著になると考えられる

RRTによる生成軌道を学習するNNを構築

障害物のある空間のロボットの軌道を自動生成学習から想起まで一連の手順を自動化可能（チューニングも可能）同じ始点と終点に対して再現性のある経路を生成 RRTとほぼ同等の速度での軌道生成

rrtを用いて学習する ニューラルネットワークによる パス...

Documents

rrtを用いて学習するニューラルネットワークによるパス...