[논문 리뷰] A Survey of Distributed Optimization Methods for Multi-Robot Systems

Trevor Halsted, Ola Shorinwa외 2명|arXiv (Cornell University)|2021. 03. 23.

Distributed Control Multi-Agent Systems참고 문헌 119인용 수 6

한 줄 요약

이 종합 검토에서는 다중 로봇 시스템에 분산 최적화를 적용하기 위한 통합 프레임워크를 제안하며, 시뮬레이션을 통해 세 가지 유형—분산 경사 하강법, 분산 순차적 볼록 프로그래밍, 공통 ADMM(C-ADMM)를 평가한다. C-ADMM는 로봇 분야의 비볼록 및 제약 조건이 있는 문제에 적합한 강건성, 수렴 성질 등으로 인해 가장 효과적인 방법으로 나타났다.

ABSTRACT

Distributed optimization consists of multiple computation nodes working together to minimize a common objective function through local computation iterations and network-constrained communication steps. In the context of robotics, distributed optimization algorithms can enable multi-robot systems to accomplish tasks in the absence of centralized coordination. We present a general framework for applying distributed optimization as a module in a robotics pipeline. We survey several classes of distributed optimization algorithms and assess their practical suitability for multi-robot applications. We further compare the performance of different classes of algorithms in simulations for three prototypical multi-robot problem scenarios. The Consensus Alternating Direction Method of Multipliers (C-ADMM) emerges as a particularly attractive and versatile distributed optimization method for multi-robot systems.

연구 동기 및 목표

• 다중 로봇 시스템에 적용 가능한 분산 최적화 방법에 대한 종합적 검토를 제공하는 것.
• 실세계 로봇 응용 분야에 적합한 다양한 분산 최적화 알고리즘의 실용적 적합성을 평가하는 것.
• 표준적인 다중 로봇 시나리오인 목표 추적, 패키지 배달, 협동 맵핑과 같은 시나리오에서 알고리즘 성능을 시뮬레이션을 통해 비교하는 것.
• 비볼록성, 통신 제약, 계산 제약 등 분산 최적화를 로봇 분야에 적용할 때 발생하는 주요 과제를 규명하는 것.
• 수렴성과 강건성 등의 특성으로 인해 C-ADMM가 다중 로봇 시스템에 특히 효과적이고 다재다능한 방법임을 주장하는 것.

제안 방법

• 분산 최적화 방법을 세 가지 유형으로 분류: 분산 경사 하강법(DGD), 분산 순차적 볼록 프로그래밍, 공통 ADMM(C-ADMM).
• 각 로봇이 국소 계산을 수행하고 메시 네트워크를 통해 통신함으로써 공동 목표 함수를 최소화하는 일반적 프레임워크를 사용.
• 공동 합의 기반 기법을 활용해 원시 데이터를 공유하지 않으면서도 중심 집합 시스템과 동일한 해를 계산할 수 있도록 함.
• 공통 최적화 해에 수렴하기 위해 국소 하위문제 해결과 이중 상승 업데이트를 C-ADMM에 적용.
• 실제 통신 및 계산 모델을 사용하여 다중 드론 목표 추적, 협동 패키지 배달, 협동 맵핑과 같은 세 가지 표준 로봇 문제를 시뮬레이션.
• 외부 루프에서 순차적 이차 근사법을 사용하고 내부 루프에서 C-ADMM로 각 하위문제를 해결함으로써 비볼록 문제에 대해 C-ADMM를 적응시킴.

실험 결과

연구 질문

• RQ1 제한된 통신 및 계산 환경에서 다양한 분산 최적화 알고리즘 클래스가 실질적인 다중 로봇 시나리오에서 어떻게 성능을 내는가?
• RQ2 로봇 응용 분야에서 분산 경사 하강법, 순차적 볼록 프로그래밍, C-ADMM의 주요 장점과 한계는 무엇인가?
• RQ3 기타 방법과 비교해 C-ADMM가 비볼록 및 제약 조건이 있는 다중 로봇 최적화 문제에 특히 적합한 이유는 무엇인가?
• RQ4 통신 신뢰성과 계산 제약이 실제 로봇 시스템에서 분산 최적화의 성능과 실현 가능성에 어떻게 영향을 미치는가?
• RQ5 실시간 및 자원 제약이 있는 로봇 플랫폼에 분산 최적화 방법을 적용할 때의 열린 과제는 무엇인가?

주요 결과

• C-ADMM는 목표 추적, 패키지 배달, 협동 맵핑과 같은 세 가지 표준 다중 로봇 문제 시나리오에서 다른 분산 최적화 방법보다 모든 분야에서 뛰어난 성능을 보였다.
• C-ADMM는 볼록 문제에 대해 전역 최적 해에 수렴하고 비볼록 문제에 대해서는 공통 국소 최적 해에 수렴하며, 중심 집합 계산의 품질과 동일한 결과를 얻는다.
• 이 방법은 제약 조건이 있는 최적화에 자연스럽게 적합하며, 순차적 이차 근사법 또는 비볼록 하위문제 해결을 통해 비볼록 목표 함수에 적응할 수 있다.
• 분산 경사 하강법은 수렴 속도가 느리고, 비연속성 또는 비볼록 환경에서는 더 낮은 강건성을 보이며, 특히 통신 지연이 있는 경우 더욱 그렇다.
• 기존의 분산 최적화 방법은 신뢰할 수 있는 통신과 풍부한 계산 자원을 가정하지만, 실제 로봇 시스템에서는 이러한 조건이 충족되지 않아 현재 연구에 중요한 격차가 존재한다.
• 다중 로봇 시스템에서 분산 최적화 알고리즘의 실제 하드웨어 구현 사례가 부족하여 실제 플랫폼에서의 경험적 검증이 필요하다.