[논문 리뷰] Active Perception and Control from PrSTL Specifications

Rafael Rodrigues da Silva, Vince Kurtz외 1명|arXiv (Cornell University)|2021. 11. 03.

Formal Methods in Verification참고 문헌 19인용 수 4

한 줄 요약

이 논문은 확률적 신호 시간논리(PrSTL) 사양을 사용하여 부분 관측 가능하고 노이즈가 있는 하이브리드 시스템에서 능동적 인지 및 제어를 위한 새로운 프레임워크를 제안한다. 경계 모델 체킹(BMC)과 샘플링 기반 궤적 합성, 그리고 오류 예시 유도 인도적 합성(CEGIS)을 조합함으로써, 불확실성 하에서 복잡한 시간논리 작업을 만족하는 제어기를 생성하며, 95% 신뢰구간을 포함한 몬테카를로 시뮬레이션에서 평균 92.07%의 성공률을 달성한다.

ABSTRACT

Next-generation intelligent systems must plan and execute complex tasks with imperfect information about their environment. As a result, plans must also include actions to learn about the environment. This is known as active perception. Most active perception algorithms rely on reward or cost functions, which are usually challenging to specify and offer few theoretical guarantees. On the other hand, symbolic control methods can account for complex tasks using temporal logic but often do not deal well with uncertainties. This work combines symbolic control with active perception to achieve complex tasks in a partially observed and noisy control system with hybrid dynamics. Our basic idea is to employ a counterexample-guided-inductive-synthesis approach for control from probabilistic signal temporal logic (PrSTL) specifications. Our proposed algorithm combines bounded model checking (BMC) with sampling-based trajectory synthesis for uncertain hybrid systems. Active perception is inherently built into the framework because PrSTL formulas are defined in the chance domain.

연구 동기 및 목표

• 초기 상태와 동역학에 대한 불확실성을 능동적으로 감소시키기 위해 인지 기반의 전략이 필요한 부분 관측 가능하고 노이즈가 있는 환경에서 복잡한 작업 계획 문제를 해결하기 위해.
• 보상 기반 능동적 인지와 기호적 제어의 한계를 극복하기 위해, 확률적 신호 시간논리(PrSTL)를 믿음 공간 제어와 통합하여 하이브리드 시스템에 적용하기 위해.
• 계층적 아키텍처를 통해 논리적 제약 조건과 동역학적 제약 조건을 분리함으로써, 복잡한 PrSTL 사양에 대한 확장 가능한 제어기 합성 가능성을 확보하기 위해.
• 설계 시 측정값이 가용하지 않은 상황에서도 계획 과정에서 관측 효과가 믿음 갱신에 미치는 영향을 모델링함으로써 능동적 인지를 제어기 합성에 통합하기 위해.
• 불확실성 하에서 운동 계획 및 로봇 조작 작업에 대해 제안된 방법을 검증하여 강건성과 높은 성공률을 입증하기 위해.

제안 방법

• 효율적인 믿음 전파를 위해 칼만 필터링을 사용할 수 있도록, 가우시안 노이즈가 있는 스위치 선형 시스템을 사용하여 시스템 동역학을 모델링한다.
• 확률적 신호 시간논리(PrSTL)를 사용하여 확률적 제약 조건을 포함하는 고수준 작업을 사양화함으로써, 실시간 시간 요구 사항의 불확실성을 포괄한다.
• PrSTL 공식에서 일련의 볼록 확률 제약 조건을 추출하기 위해 맞춤형 경계 모델 체킹(BMC) 솔버를 적용하여 논리적 제약 조건과 동역학적 제약 조건을 분리한다.
• BMC가 생성한 제약 조건을 만족하는 믿음 궤적을 합성하기 위해 샘플링 기반 운동 계획기를 통합함으로써, 불확실성 하에서도 타당성을 확보한다.
• 유효한 궤적이 발견되지 않을 경우 오류 예시 유도 인도적 합성(CEGIS)을 사용하여 BMC 제약 조건을 반복적으로 개선함으로써 수렴성과 정확성을 향상시킨다.
• 설계 시 관측값이 가용하지 않은 상황에서도 계획 과정에서 미지의 관측값을 최대우도관측(MLO) 방법으로 근사함으로써, 계산 가능하고 강건한 믿음 상태 갱신을 가능하게 하되, 계획의 강건성을 유지한다.

실험 결과

연구 질문

• RQ1 부분 관측 가능하고 프로세스 노이즈가 있는 하이브리드 시스템에 대해, 능동적 인지를 제어기 합성에 체계적으로 통합하는 방법은 무엇인가?
• RQ2 BMC와 샘플링 기반 계획을 통합한 계층적 제어기 합성 프레임워크가 불확실성 하에서 복잡한 PrSTL 사양에 대해 확장 가능한가?
• RQ3 계획 과정에서 MLO를 통해 관측값을 근사함으로써, 최종 실행의 정확성과 강건성이 어느 정도 유지되는가?
• RQ4 초기 상태가 불확실하고 측정값이 노이즈가 있는 상황에서, PrSTL 사양을 사용하여 믿음 역학을 효과적으로 포착하고 제어할 수 있는가?
• RQ5 제안된 방법이 확률적 제약 조건 하에서 고수준 작업 사양을 만족하는 데 있어 실증적 성공률은 얼마인가?

주요 결과

• 제안된 방법은 30회의 몬테카를로 시뮬레이션에서 평균 92.07% ± 9.21의 성공 확률을 달성하여, 불확실성 하에서도 강건함을 입증하였다.
• 어둠과 밝기 영역 예제에서, 시뮬레이션 실행의 96%가 PrSTL 사양을 만족하였으며, 요구된 95% 신뢰구간과 매우 유사한 결과를 보였다.
• 효율적인 능동적 인지와 믿음 추적 덕분에, 초기 상태가 95% 신뢰영역을 벗어난 경우에도 작업 완료가 성공적으로 이루어졌다.
• 로봇 조작 작업에서는 초기 믿음 오차(패드와 목표 위치)를 보정하기 위해 능동적 인지를 필요로 하였으며, 시스템은 스스로 그립을 쥐기 전에 인지 행동을 자동으로 계획하였다.
• 측정값이 관측되지 않은 상황에서도 계획 과정에서 MLO 근사를 사용함으로써 타당한 궤적 생성이 가능했으며, 시뮬레이션 결과 근사가 계획의 핵심 행동을 잘 반영함을 확인하였다.
• 프레임워크는 비볼록 PrSTL 사양과 하이브리드 동역학을 성공적으로 처리하였으며, 이는 이전 연구가 볼록 조각이나 결정론적 시스템에 국한된 것과는 달리 더 넓은 범위의 문제를 다룰 수 있음을 의미한다.