CollisionGP: comprobación de colisiones probabilística con procesos gaussianos

Abstract

[Resumen] La comprobación de colisiones es la operación primitiva de la planificación de movimientos que más tiempo consume. Se ha demostrado que los algoritmos de aprendizaje automático aceleran la comprobación de colisiones. Presentamos CollisionGP, un algoritmo basado en procesos gaussianos para modelar el espacio de configuraciones de un robot y comprobar colisiones. CollisionGP introduce una variable auxiliar Pòlya-Gamma para cada punto de datos en el conjunto de entrenamiento para permitir que la inferencia de clasificación se realice exactamente con una expresión de forma cerrada. Los procesos gaussianos proporcionan una distribución como salida, obteniendo una media y una varianza para la comprobación de colisión. La varianza obtenida se procesa para reducir los falsos negativos (FN). Demostramos que CollisionGP puede utilizar la aceleración de la GPU para procesar comprobaciones de colisiones para miles de configuraciones mucho más rápido que las librerías tradicionales de detección de colisiones. Además, obtenemos mejores resultados de precisión, ratio de verdaderos positivos (TPR) y verdaderos positivos (TNR) que los algoritmos del estado del arte basados en aprendizaje utilizando menos puntos de soporte, lo que hace que nuestro método sea más ligero.

[Abstract] Collision checking is the primitive operation of motion planning that consumes most time. Machine learning algorithms have proven to accelerate collision checking. We propose CollisionGP, a Gaussian process-based algorithm for modeling a robot’s configuration space and query collision checks. CollisionGP introduces a P`olya-Gamma auxiliary variable for each data point in the training set to allow classification inference to be done exactly with a closed-form expression. Gaussian processes provide a distribution as the output, obtaining a mean and variance for the collision check. The obtained variance is processed to reduce false negatives (FN). We demonstrate that CollisionGP can use GPU acceleration to process collision checks for thousands of configurations much faster than traditional collision detection libraries. Furthermore, we obtain better accuracy, true positive rate (TPR) and true negative rate (TNR) results than state-of-the-art learning-based algorithms using less support points, thus making our proposed method more sparse.