[논문 리뷰] An Architecture for Autonomously Controlling Robot with Embodiment in Real World

Megumi Fujita, Yuki Goto외 3명|arXiv (Cornell University)|2013. 07. 26.

Reinforcement Learning in Robotics참고 문헌 12인용 수 3

한 줄 요약

이 논문은 실시간 센서 피드백을 기반으로 하는 Prolog 기반 동적 동작 선택을 통해 감각을 원자적 동작에 직접 통합함으로써, 동적인 실세계 환경에서 몸체를 가진 로봇을 자율적으로 제어하는 아키텍처를 제안한다. 전통적인 계획 방식이 감각과 동작을 분리하는 데 반해, 이 시스템은 실시간 환경 적응을 가능하게 하며, 정밀한 운동 실행에 거의 의존하지 않으면서도 정적 및 동적 실세계 실험에서 뛰어난 내성적 성능을 입증한다.

ABSTRACT

In the real world, robots with embodiment face various issues such as dynamic continuous changes of the environment and input/output disturbances. The key to solving these issues can be found in daily life; people `do actions associated with sensing' and `dynamically change their plans when necessary'. We propose the use of a new concept, enabling robots to do these two things, for autonomously controlling mobile robots. We implemented our concept to make two experiments under static/dynamic environments. The results of these experiments show that our idea provides a way to adapt to dynamic changes of the environment in the real world.

연구 동기 및 목표

• 실세계 로봇 몸체에 내재된 동적인 환경 변화와 입출력 교란의 과제를 해결하기 위해.
• 감각과 동작을 분리하는 전통적 계획 이론의 한계를 극복하여, 실세계의 정확도 부족으로 인한 계획 실패를 방지하기 위해.
• 모든 동작 중 환경을 지속적으로 인지하고 현재 조건에 기반해 다음 동작을 동적으로 선택함으로써 이동형 로봇이 자율적으로 적응할 수 있도록 하기 위해.
• 하위 수준의 운동 정확도 부족을 고려하지 않아도 되는 내성적이고 확장 가능한 아키텍처를 개발하여 목표 달성에 집중할 수 있도록 하기 위해.
• 정적 및 동적 환경에서의 실세계 실험을 통해 실용적 타당성을 입증하기 위해.

제안 방법

• 원자적 동작는 지속적인 센서 입력을 수신하고 조건(예: 장애물 탐지, 시간 제한)이 충족될 때까지 실행되는 감지-행동 절차로 구현된다.
• 감지는 별도의 단계가 아니라 각 원자적 동작 내부에 내재되어 있어, 이동 중 인간과 유사한 지속적 인지 방식을 모방한다.
• 행동 선택은 현재 센서 데이터와 논리 규칙에 기반해 하위목표로 분해된 목표를 기반으로 다음 원자적 동작을 선택하는 Prolog 기반 의사결정 프로그램에 의해 수행된다.
• 시스템은 모든 원자적 동작가 최종적으로 종료되도록 보장하여 계산적 안전성과 반응성 확보한다.
• 고수준 계획(목표 지향적 추론)과 저수준 제어(감지 및 작동)를 분리함으로써 고수준 논리가 경로 및 목표 계획에 집중할 수 있도록 한다.
• ‘장애물을 감지할 때까지 앞으로 이동하는 것’과 같은 동작을 원자적 동작으로 간주함으로써 운동 정확도 부족에 대한 내성적 성능 향상을 달성한다.

실험 결과

연구 질문

• RQ1 행동 실행 중 실시간 환경 변화에 대해 로봇의 동작 선택이 어떻게 동적으로 반응할 수 있는가?
• RQ2 원자적 동작에 감지를 통합함으로써 실세계 로봇 제어에서 I/O 교란 상황에서의 내성적 성능 향상 정도는 어느 정도인가?
• RQ3 실세계 이동형 로봇 주행에서 지속적인 센서 입력 기반의 Prolog 기반 추론 시스템이 효과적으로 동적 동작 선택을 관리할 수 있는가?
• RQ4 제안된 아키텍처는 기존 계획 시스템이 실패할 수 있는 운동 정확도 부족 문제를 어떻게 처리하는가?
• RQ5 이 아키텍처는 현실적인 환경에서 더 복잡한 다중 목표 주행 작업에 대해 확장 가능한가?

주요 결과

• 시스템은 정적 및 동적 실세계 환경을 모두 성공적으로 통과하여 예기치 않은 변화에 대한 적응성을 입증했다.
• 감지를 원자적 동작에 통합함으로써, 예를 들어 1미터가 아니라 0.98미터로 이동하는 것과 같은 운동 정확도 부족으로 인한 계획 실패를 피할 수 있었다.
• Prolog 기반의 행동 결정 프로그램은 실시간 센서 데이터에 기반해 적절한 다음 동작을 동적으로 선택하여 지속적인 계획 적응을 가능하게 했다.
• 아키텍처는 저수준 운동 정확도 부족의 영향을 고수준 계획에서 효과적으로 격리하여 계획자가 목표 지향적 추론에 집중할 수 있도록 했다.
• 실험 결과, 감지-행동 접근 방식이 환경의 변화와 장치 교란이 피할 수 없는 실세계에서 내성적인 행동을 가능하게 한다는 것이 확인되었다.
• 향후 확장 가능성을 통해 다중 목표 및 믿음 기반 추론과 같은 더 큰 규모의 문제를 다룰 수 있는 잠재력이 있음을 보여주었다.