[논문 리뷰] A Configuration-Space Decomposition Scheme for Learning-based Collision Checking

Yiheng Han, Zhao Wang외 4명|arXiv (Cornell University)|2019. 11. 17.

Robotic Path Planning Algorithms참고 문헌 20인용 수 4

한 줄 요약

이 논문은 로봇의 구성공간을 자유도(DOF) 기반으로 부분공간으로 분해하는 방법을 제안하며, 이는 다수의 단순 분류기(SVM, KNN 등)를 조합한 복합 분류기를 가능하게 하여 충돌 탐지 정확도를 향상시킨다. 이 방법은 정확한 충돌 검출기(FCL)에 대한 의존도를 줄여 샘플링 기반 운동 계획(예: RRT)에서의 추론 속도를 향상시키며, 실제 다중로봇 식물 형질 분석 시스템에서 30%의 속도 향상을 달성한다. 이는 단일 분류기 기반 학습 방법보다 정확도와 추론 속도 면에서 뛰어나다.

ABSTRACT

Motion planning for robots of high degrees-of-freedom (DOFs) is an important problem in robotics with sampling-based methods in configuration space C as one popular solution. Recently, machine learning methods have been introduced into sampling-based motion planning methods, which train a classifier to distinguish collision free subspace from in-collision subspace in C. In this paper, we propose a novel configuration space decomposition method and show two nice properties resulted from this decomposition. Using these two properties, we build a composite classifier that works compatibly with previous machine learning methods by using them as the elementary classifiers. Experimental results are presented, showing that our composite classifier outperforms state-of-the-art single classifier methods by a large margin. A real application of motion planning in a multi-robot system in plant phenotyping using three UR5 robotic arms is also presented.

연구 동기 및 목표

• 고자유도 로봇 운동 계획에서 정확한 충돌 검출의 높은 계산 비용 문제를 해결하기 위해, 학습 기반의 근사 충돌 탐지 성능을 향상시키는 것.
• 전체 구성공간을 하나의 실체로 간주하는 단일 이진 분류기의 한계를 극복하여, 복잡한 환경에서 정확도가 저하되는 문제를 해결하는 것.
• 기존 학습 기반 방법과 호환되며, 공간 분해를 통해 분류 성능을 햖थ고하는 복합 분류기 프레임워크를 개발하는 것.
• 증가하는 장애물 복잡도를 가진 시뮬레이션 환경과 실제 다중로봇 식물 형질 분석 시스템에서의 방법의 유효성을 입증하는 것.

제안 방법

• 로봇의 자유도(DOF) 기반으로 구성공간 $\mathcal{C}$를 여러 부분공간으로 분해하여 국소적 분류가 가능하도록 하는 것.
• 각 분해된 부분공간에 대해 훈련된 다수의 기본 분류기(예: SVM, KNN)를 조합하여 복합 분류기 $F_{\text{comp}}$를 구축하는 것.
• 분해의 두 가지 핵심 성질을 활용하는 것: (1) 부분공간은 더 선형으로 분리 가능하며, (2) 국소 분류기는 전역 분류기보다 더 잘 일반화된다.
• 샘플링 기반 운동 계획(예: RRT)에서 빠른 근사 충돌 검출을 위해 복합 분류기를 활용하여 FCL과 같은 고비용 정확한 충돌 검출기 의존도를 줄이는 것.
• RRT 프레임워크에 복합 분류기를 통합하여, 명백히 충돌하거나 자유로운 샘플을 사전에 걸러내어 정확한 검사가 필요한 샘플 수를 최소화하는 것.
• 모호한 샘플에 대해 최종적으로 FCL을 통해 정확한 충돌 검사를 실시하고, 충돌 세그먼트가 존재할 경우 국소 경로 복구를 수행하는 것.

실험 결과

연구 질문

• RQ1 자유도 기반으로 구성공간을 분해하면 고자유도 로봇에서 학습 기반 충돌 탐지의 정확도가 향상되는가?
• RQ2 자유도 기반 부분공간에 대해 훈련된 다수의 기본 분류기를 조합한 복합 분류기는 복잡한 환경에서 단일 분류기보다 우수한 성능을 보이는가?
• RQ3 제안된 방법은 정확한 충돌 검출 및 이전의 학습 기반 방법 대비 운동 계획 시간을 얼마나 줄이는가?
• RQ4 복합 분류기는 기존의 샘플링 기반 운동 계획 파이프라인에 아키텍처 변경 없이 효과적으로 통합 가능한가?
• RQ5 식물 형질 분석과 같은 복잡한 충돌 제약 조건을 가진 실제 다중로봇 시스템에서 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 실제 다중로봇 식물 형질 분석 시스템에서 복합 분류기 $F_{SVM}$는 평균 운동 계획 시간을 1.0초에서 0.692초로 30% 감소시켰다.
• 장애물 수가 1부터 8로 증가하는 시뮬레이션 환경에서 복합 분류기는 단일 분류기보다 유의미하게 높은 성공률(3초 이내 시간 제한 내)을 달성했다.
• 복합 분류기는 FCL을 통한 정확한 충돌 검사 횟수를 줄여 가짜 양성 및 가짜 음성 수를 최소화함으로써 경로 복구 횟수를 감소시켰다.
• Fastron, SVM, KNN 등의 개별 분류기보다 복합 분류기가 더 높은 분류 정확도와 더 낮은 쿼리 시간을 기록했다.
• 이 방법은 OMPL의 RRT와 같은 기존 SBMP 프레임워크와 호환되어 핵심 계획 파이프라인 수정 없이 플러그인 방식 통합이 가능했다.
• 분해 기반 설계 덕분에 각 기본 분류기가 더 균일하고 저차원의 부분공간에서 작동하여 일반화 능력이 향상되었고, 전체적인 강인성도 향상되었다.