[論文レビュー] Neural Network Model for Path-Planning of Robotic Rover Systems

Youssef Bassil|arXiv (Cornell University)|Apr 1, 2012

Robotic Path Planning Algorithms参考文献 16被引用数 11

ひとこと要約

本論文では、複雑な天体表面を走行するロボットローバーの自律的経路計画のための3層フィードフォワード型人工ニューラルネットワーク（ANN）を提案する。オффラインのバックプロパゲーションによる学習が行われ、モデルによりシミュレーテッド・ローバーは障害物を効果的に回避し、安全な経路を目的地へとたどり着けることが確認され、障害物が多数存在する環境でもリアルタイムでのナビゲーションが可能であることが示された。

ABSTRACT

Today, robotics is an auspicious and fast-growing branch of technology that involves the manufacturing, design, and maintenance of robot machines that can operate in an autonomous fashion and can be used in a wide variety of applications including space exploration, weaponry, household, and transportation. More particularly, in space applications, a common type of robots has been of widespread use in the recent years. It is called planetary rover which is a robot vehicle that moves across the surface of a planet and conducts detailed geological studies pertaining to the properties of the landing cosmic environment. However, rovers are always impeded by obstacles along the traveling path which can destabilize the rover's body and prevent it from reaching its goal destination. This paper proposes an ANN model that allows rover systems to carry out autonomous path-planning to successfully navigate through challenging planetary terrains and follow their goal location while avoiding dangerous obstacles. The proposed ANN is a multilayer network made out of three layers: an input, a hidden, and an output layer. The network is trained in offline mode using back-propagation supervised learning algorithm. A software-simulated rover was experimented and it revealed that it was able to follow the safest trajectory despite existing obstacles. As future work, the proposed ANN is to be parallelized so as to speed-up the execution time of the training process.

研究の動機と目的

• 複雑で障害物が多数存在する惑星環境で作業するロボットローバーの自律的経路計画ソリューションを開発すること。
• 地形的障害物が存在する中でも安定性を保ち、目的地に到達する課題に対処すること。
• リアルタイム意思決定を可能にする神経ネットワークモデルを実装すること。
• 障害物が存在する状況下でのローバー行動のソフトウェアシミュレーションを通じて、モデルの有効性を検証すること。

提案手法

• 入力層、隠れ層、出力層からなる多層フィードフォワード型ニューラルネットワークを設計する。
• ネットワークのオフライン学習に、バックプロパゲーションに基づく教師あり学習アルゴリズムを採用する。
• 障害物を含むシミュレーテッド地形データを入力とし、最適な経路方向を予測できるようにネットワークを学習させる。
• センサ入力（例：障害物までの距離）をモータ制御出力（例：ステアリングおよび速度指令）にマッピングする。
• 地形構成とそれに対応する安全な経路トレースのデータセットを用いてネットワークを学習する。
• 学習済みネットワークをソフトウェアシミュレーテッド・ローバー環境にデプロイし、リアルタイムナビゲーション性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 フィードフォワード型ニューラルネットワークは、シミュレーテッド惑星地形において障害物を効果的に避けられるように学習できるか？
• RQ2 障害物が存在する条件下でも、ANNモデルは経路の安定性を保ち、目的地に到達できるか？
• RQ3 シミュレーション中に、ANNモデルは安全で障害物のない経路をどれほど効果的に生成できるか？
• RQ4 オフラインのバックプロパゲーションによる学習が、新たな地形構成への一般化能力にどのように影響するか？
• RQ5 今後の作業で並列処理を用いることで、リアルタイム実行をサポートできるか？

主な発見

• 学習済みANNは、シミュレーテッド・ローバーが衝突を回避しながら障害物が多数存在する環境をナビゲートできることを実証した。
• ローバーは一貫して安全な経路を目的地へとたどり着くように移動し、効果的な障害物回避を示した。
• テストされたすべてのシミュレーションシナリオにおいて、安定的かつ信頼性の高い経路計画性能を達成した。
• オフライン学習プロセスにより、地形入力と最適なナビゲーション意思決定との間のマッピングが効果的に学習された。
• シミュレーション結果から、惑星探査ローバーのシステムにおけるANNを用いた自律的経路計画の実現可能性が裏付けられた。
• 今後の作業では、実行時間を短縮するための学習プロセスの並列化を重点的に検討する予定であり、スケーラビリティの可能性が示唆された。