[論文レビュー] An Architecture for Autonomously Controlling Robot with Embodiment in Real World

Megumi Fujita, Yuki Goto+3 more|arXiv (Cornell University)|Jul 26, 2013

Reinforcement Learning in Robotics参考文献 12被引用数 3

ひとこと要約

本論文は、センシングを原子的アクションに直接統合することで、動的で現実世界の環境において自律的に自己制御を行うロボットのアーキテクチャを提案している。伝統的な計画法とは異なり、センシングとアクションを分離しない。代わりに、リアルタイムのセンサーフィードバックに基づくPrologベースの動的アクション選択を用いることで、正確な運動実行に依存しない最小限の条件下でも、静的および動的現実世界実験において高い耐障害性を示した。

ABSTRACT

In the real world, robots with embodiment face various issues such as dynamic continuous changes of the environment and input/output disturbances. The key to solving these issues can be found in daily life; people `do actions associated with sensing' and `dynamically change their plans when necessary'. We propose the use of a new concept, enabling robots to do these two things, for autonomously controlling mobile robots. We implemented our concept to make two experiments under static/dynamic environments. The results of these experiments show that our idea provides a way to adapt to dynamic changes of the environment in the real world.

研究の動機と目的

• 現実世界のロボット実装に内在する動的環境変化および入出力の不確実性の課題に対処すること。
• センシングとアクションを分離する伝統的計画理論の限界を克服し、現実世界の不正確さによって計画が失敗するのを防ぐこと。
• アクション実行中に継続的に環境を感知し、現在の状態に基づいて次なるアクションを動的に選択することで、移動型ロボットが自律的に適応できることを実現すること。
• 低レベルの運動の不正確さを高レベル計画から隠蔽し、目標達成に焦点を当てる、耐障害的かつスケーラブルなアーキテクチャの開発。
• 静的および動的環境における現実世界実験を通じて、実用的妥当性の実証。

提案手法

• 原子的アクションは、センサ入力を継続的に受信し、障害物検出や時間制限などの条件を満たした時点で終了するsense-and-act手順として実装される。
• センシングは別段階ではなく、各原子的アクションに内蔵されており、移動中の人間のような継続的知覚を模倣する。
• アクション選択は、現在のセンサデータと論理的ルールに基づき、目標を部分目標に分解して次なる原子的アクションを選択するPrologベースの意思決定プログラムによって行われる。
• すべての原子的アクションが最終的に終了することを保証しており、計算的安全性と応答性を維持する。
• 高レベル計画（目標指向の推論）と低レベル制御（センシングと作動）を分離することで、高レベル論理がルート計画と目標計画に集中できる。
• 「障害物が検出されるまで前進する」のようなアクションを原子的とみなすことにより、運動の不正確さに対して耐障害性を発揮できる。

実験結果

リサーチクエスチョン

• RQ1 アクション実行中にリアルタイムの環境変化に動的に対応できるように、ロボットのアクション選択をどのように設計できるか？
• RQ2 原子的アクションにセンシングを統合することで、I/Oの不確実性下でも現実世界のロボット制御における耐障害性がどの程度向上するか？
• RQ3 Prologベースの推論システムは、継続的なセンサ入力に基づく動的アクション選択を、現実世界の移動型ロボットナビゲーションで効果的に管理できるか？
• RQ4 提案されたアーキテクチャは、従来の計画システムが破綻する可能性がある運動の不正確さをどのように処理するか？
• RQ5 このアーキテクチャは、現実の環境におけるより複雑なマルチゴールナビゲーションタスクにスケーラブルに拡張可能か？

主な発見

• システムは、静的および動的現実世界環境を通過する移動型ロボットを成功裏にナビゲートし、予期しない変化への適応性を示した。
• センシングを原子的アクションに埋め込むことで、移動距離が1メートルではなく0.98メートルにずれたような運動の不正確さによる計画の失敗を回避した。
• Prologベースのアクション意思決定プログラムは、リアルタイムのセンサデータに基づき、適切な次なるアクションを動的に選択し、継続的な計画の適応を可能にした。
• アーキテクチャは、低レベルの運動の不正確さの影響を高レベル計画から効果的に分離し、プランナが目標指向の推論に集中できるようにした。
• 実験により、sense-and-actアプローチが、避けられない環境のダイナミクスおよびデバイスの不確実性を伴う現実世界でも、耐障害的行動を実現できることを確認した。
• 今後の拡張により、複数のゴールや信念に基づく推論といった大規模問題の処理にも、本手法が有望であることが示された。