PlanBench
Lightweight Simulator & Benchmark for Path/Motion Planning of Mobile AMR/AGV Robots
Một framework đảm bảo tính tái lập, dùng để đánh giá các thuật toán lập kế hoạch điều hướng toàn cục (global) và cục bộ (local) trong các môi trường được kiểm soát.
AMR/AGV không chỉ đơn thuần là "tìm một đường đi". Hệ thống phải liên tục xử lý chuỗi hành động:
Hiệu năng thực tế của planner phụ thuộc mạnh vào:
•
Kích thước và cấu trúc bản đồ.
•
Khoảng cách Start-Goal / Không gian rộng hoặc hẹp.
•
Đặc tính động học của robot (Kinematics).
🡪 Không có một planner nào luôn tối ưu cho mọi loại môi trường (scenario).
Nhận Map & Tìm đường (Planning)
Tránh vật cản (Obstacle Avoidance)
Di chuyển theo động học (Motion)
Đến đích an toàn
1.1. Tại sao cần đánh giá Navigation Planner?
1. TỔNG QUAN
Mật độ vật cản(tĩnh/ động).
Vấn đề của kỹ sư Robotics
"Chiến lược navigation nào thực sự phù hợp nhất với robot và môi trường của tôi?"
- Hiện nay, để so sánh thuật toán, kỹ sư thường phải thay đổi liên tục giữa các simulator, cấu hình, và thông số khác nhau.
- Nếu mỗi thử nghiệm sử dụng: Map khác, Start/Goal khác, Simulation parameters khác... thì việc so sánh là không công bằng.
Đối tượng sử dụng mục tiêu
PlanBench cung cấp công cụ tiêu chuẩn hóa dành cho:
"PlanBench: Chuẩn hóa môi trường thử nghiệm, không phải thuật toán.
1.2. Pain Point & Target Users
1. Mục tiêu tối ưu
Tối ưu hóa mục tiêu nào?
2. Ràng buộc Robot
Biến đường đi lý thuyết thành chuyển động khả thi:
3. Môi trường hoạt động
Planner phải thích ứng với nhiều mức độ phức tạp:
1.3. Đánh giá thuật toán điều hướng không chỉ đơn thuần là “tìm đường”
🡪 Vì vậy, planner cần được đánh giá trong nhiều kịch bản và dưới cùng một bộ điều kiện kiểm soát.
Framework | Điểm mạnh cốt lõi | Hạn chế đối với Benchmarking |
ROS 2 Nav2 | Production-grade, modular, phù hợp deployment thực tế | Setup & integration tương đối phức tạp khi cần benchmark nhanh |
Gazebo | Tích hợp tốt với ROS, hỗ trợ mô phỏng vật lý và sensor | Overhead lớn khi chỉ cần benchmark planner 2D |
Isaac Sim | High-fidelity physics, sensor thực tế, đồ họa cao | Yêu cầu tài nguyên tính toán/phần cứng khổng lồ |
- Định vị PlanBench
Độ phức tạp mô phỏng thấp → Tập trung cao vào Benchmarking thuật toán
PlanBench không nhằm thay thế các high-fidelity simulators (như Isaac Sim). Nó bổ sung một lớp benchmark nhẹ, cho phép đánh giá planner nhanh và có kiểm soát trước khi đưa vào simulator/deployment phức tạp hơn.
•
Nhẹ & nhanh: Chạy benchmark nhanh, giảm thời gian iteration.
•
Tái lập: Cố định Map, Start/Goal, robot model, timestep và random seed → có thể tái tạo kết quả
•
Mô-đun: Thay đổi Global/Local Planner mà không thay đổi toàn bộ pipeline.
1.4. Các Framework hiện tại & Định vị PlanBench
Mục tiêu: Xây dựng framework cho phép: Thiết lập → Chạy → Đo lường → So sánh các Bộ lập kế hoạch điều hướng (Navigation Planner) trong điều kiện kiểm soát chặt chẽ.
1. Kiến trúc mô-đun
Kiến trúc phân tách rõ ràng lớp Global Planner, Local Planner và Điều hướng trong môi trường động.
2. Benchmark tái lập
Kiểm soát hoàn toàn các biến số: Bản đồ, vị trí Start/Goal, mật độ vật cản, điều kiện dừng và random seed.
3. Đa kịch bản & Đánh giá
2. PHƯƠNG PHÁP
Luồng dữ liệu đồng nhất:
- Các planner được đánh giá trong cùng một pipeline, thay vì chạy độc lập.
GridMap: Cung cấp môi trường và vật cản.
Global Planner: Tìm đường đi tổng thể từ Start → Goal.
Local Planner: Chuyển global path thành chuyển động cục bộ an toàn.
Dynamic Pipeline: Xử lý thay đổi của môi trường trong quá trình di chuyển.
Benchmark Engine: Thu thập metric, xuất CSV.
2.1. Kiến trúc Hệ thống (Pipeline)
🡪 Chỉ thay đổi Planner → Các điều kiện còn lại được giữ nhất quán → Kết quả có thể so sánh.
2.2. Thuật toán Navigation Planning
Global Planning (Tạo đường đi) | ||
Thuật toán | Nguyên lý | Đặc điểm |
BFS | Tìm kiếm trên đồ thị không trọng số | Đơn giản, tìm đường theo số bước ít nhất |
Dijkstra | Tìm kiếm theo chi phí tích lũy nhỏ nhất | Tìm đường tối ưu theo hàm chi phí |
A* | Tìm kiếm dựa trên chi phí + hàm heuristic | Nhanh hơn Dijkstra nhờ định hướng tìm kiếm |
Theta* | Tìm đường góc bất kỳ (Any-angle) | Đường đi tự nhiên, giảm số lần đổi hướng |
RRT* | Tìm kiếm dựa trên lấy mẫu và tối ưu hóa | Phù hợp không gian liên tục, phức tạp |
Local Planning (Tạo chuyển động khả thi) | ||
Thuật toán | Nguyên lý | Đặc điểm |
DWA | Lấy mẫu trong không gian vận tốc | Phản ứng nhanh, phù hợp tránh vật cản động |
TEB | Tối ưu hóa dải quỹ đạo theo thời gian | Tạo quỹ đạo mượt, xét đến ràng buộc chuyển động |
Cùng một kịch bản → Chỉ thay đổi Planner → Kết quả đo lường phản ánh sự khác biệt thực sự của thuật toán.
Điều kiện benchmark được giữ cố định
Tạo ra một môi trường tĩnh hoàn toàn (Reproducible):
Các yếu tố thay đổi & chỉ số đánh giá
Thay đổi:
Đánh giá:
•
Bản đồ & Cấu hình vật cản
•
Vị trí Start và Goal
•
Robot Kinematic Model (Radius, Vel, Accel)
•
Bước thời gian mô phỏng (dt)
•
Random seed (Dành cho sampling planners)
•
Tiêu chí kết thúc (Goal tolerance)
•
Cặp thuật toán Global + Local Planner
•
Hiệu quả: Success Rate
•
Hiệu suất: Planning Time, Path Length
•
An toàn & Chất lượng: Collision Count, Clearance, Smoothness
2.3. Thiết kế Benchmark (Công bằng & Khách quan)
Làm thế nào để so sánh công bằng các thuật toán có bản chất khác nhau?
19 bản đồ được lựa chọn để bao phủ nhiều cấu trúc và mức độ phức tạp khác nhau của môi trường navigation.
1. Không gian mở
→ Kiểm tra hiệu năng cơ bản của planner
2. Mật độ vật cản thấp – trung bình
→ Đánh giá khả năng lựa chọn đường đi hiệu quả
3. Hành lang & không gian hẹp
→ Kiểm tra khả năng xử lý không gian bị giới hạn
3.1. Kịch bản & Bộ dữ liệu Benchmark
4. Môi trường phức tạp / thực tế
→ Đánh giá khả năng thích nghi trong môi trường gần thực tế
3. MÔ PHỎNG VÀ KẾT QUẢ
So sánh Trade-off giữa tốc độ phản xạ (DWA) và tối ưu quỹ đạo (TEB):
Finding 1 (DWA):
Thể hiện ưu thế vượt trội về Planning Time, duy trì overhead tính toán cực thấp ở môi trường Open.
Finding 2 (TEB):
Ở kịch bản Narrow Corridor, TEB cho tỷ lệ Success Rate và Smoothness cao hơn nhờ tối ưu hóa quỹ đạo nguyên khối.
3.2. Mô phỏng & Phân tích Kết quả
1. Hiệu năng Planner phụ thuộc vào môi trường
2. Có sự đánh đổi giữa tốc độ và chất lượng quỹ đạo
3. Benchmark chuẩn hóa giúp so sánh công bằng
3.3. Kết quả quan trọng (Key Findings)
PlanBench Framework
Giới hạn hiện tại (Limitations)
Kiến trúc Modular: Tách biệt Global Planner → Local Planner → Dynamic Navigation → Motion.
Đa thuật toán: Tích hợp 5 Global Planner và 2 Local Planner trong cùng một pipeline đánh giá.
Xác thực Môi trường: Hỗ trợ Open Space, Narrow Corridor, và Warehouse layouts.
Output chuẩn hóa: Hệ thống metric định lượng và xuất CSV để phân tích, so sánh.
Tập trung mô phỏng 2D; chưa mô phỏng đầy đủ vật lý 3D.
Chưa hỗ trợ nhiều loại mô hình động học robot; hiện tập trung vào mô hình đang được framework hỗ trợ.
Kết quả vẫn phụ thuộc vào tham số cấu hình planner.
4. Tổng kết & Giới hạn
PlanBench cung cấp một framework nhẹ và có khả năng tái lập để đánh giá Navigation Planner trước khi triển khai trên robot thực tế.