[論文レビュー] Motion Control for Mobile Robot Navigation Using Machine Learning: a Survey

Xuesu Xiao, Bo Liu+2 more|arXiv (Cornell University)|Nov 26, 2020

Robotic Path Planning Algorithms参考文献 101被引用数 31

ひとこと要約

本調査は、モバイルロボットナビゲーションにおけるモーショントラクション制御のための機械学習アプローチを調査し、古典的ナビゲーションシステムと照らし合わせて分類する。最近の研究を分析することで、主な課題と今後の方向性を特定し、学習ベースの手法と従来のロボティクスパイプラインの統合可能性を強調する比較フレームワークを提示する。

ABSTRACT

Moving in complex environments is an essential capability of intelligent mobile robots. Decades of research and engineering have been dedicated to developing sophisticated navigation systems to move mobile robots from one point to another. Despite their overall success, a recently emerging research thrust is devoted to developing machine learning techniques to address the same problem, based in large part on the success of deep learning. However, to date, there has not been much direct comparison between the classical and emerging paradigms to this problem. In this article, we survey recent works that apply machine learning for motion control in mobile robot navigation, within the context of classical navigation systems. The surveyed works are classified into different categories, which delineate the relationship of the learning approaches to classical methods. Based on this classification, we identify common challenges and promising future directions.

研究の動機と目的

• モバイルロボットナビゲーションにおけるモーション制御に応用された最近の機械学習技術を分析すること。
• 学習ベースのアプローチを、古典的ナビゲーションシステムとの関係性に応じて分類すること。
• 従来のロボット制御フレームワークと学習ベースの手法を統合する際の共通する課題を特定すること。
• 学習ベースのモバイルロボットナビゲーション分野における有望な今後の研究方向性を提示すること。

提案手法

• 本論文は、モバイルロボティクスにおけるモーション制御に機械学習を応用した最近の研究を包括的に調査する。
• 研究は、古典的ナビゲーションパラダイムとどのように統合されているか、あるいはそれからどのように逸脱しているかに基づいて分類される。
• 分類システムは、エンドツーエンド学習、模倣学習、ハイブリッド学習・古典的手法といったアプローチを区別する。
• 分析は、アーキテクチャの選択、トレーニング目的、および実世界のナビゲーションタスクにおけるデプロイメント環境に焦点を当てる。
• 報酬設計、ポリシー学習、およびセンシング・アクション統合といった、メソドロジカルなトレンドを評価する。
• 複数の研究から得られた知見を統合し、繰り返し現れる技術的および実用的な課題を強調する。

実験結果

リサーチクエスチョン

• RQ1 機械学習ベースのモーション制御手法は、古典的ナビゲーションシステムと比較して、性能および耐障害性においてどのように異なるか？
• RQ2 学習ベースのロボットナビゲーションシステムで用いられる主なアーキテクチャ的および統合パターンは何か？
• RQ3 学習ベースの手法は、古典的制御および計画パイプラインと比較して、どのように向上させたり、逸脱させたりしているか？
• RQ4 実世界のロボットモーショントラクション制御に機械学習を導入する際の共通する課題は何か？
• RQ5 学習ベースのナビゲーションを進歩させるために、最も有望な今後の研究方向性は何か？

主な発見

• 本調査では、学習ベースの手法が、複雑で動的な環境におけるモーション制御の向上にますます利用されていると特定した。
• 多くの学習アプローチは、パスプランナーやコントローラーなどの古典的コンponentsと統合されており、単体で運用されるわけではない。
• 繰り返し現れる課題として、エンドツーエンド学習システムにおける解釈不能性と一般化の欠如が挙げられる。
• 模倣学習および模倣学習に基づくファインチューニングは、サンプルの複雑さを低減し、安全性を向上させる可能性を示している。
• 深層強化学習によるセンシングと制御の統合は、データ効率性とリアルタイム制約のため、依然として困難である。
• 今後の研究は、古典的手法のロバスト性と学習ベースのモデルの適応性を組み合わせたハイブリッドシステムに焦点を当てるべきである。