[논문 리뷰] An Overview of Perception and Decision-Making in Autonomous Systems in the Era of Learning

Yang Tang, Chaoqiang Zhao외 7명|arXiv (Cornell University)|2020. 01. 08.

Robotics and Sensor-Based Localization참고 문헌 219인용 수 16

한 줄 요약

이 논문은 자율 시스템의 인식 및 의사결정에 대한 학습 기반 접근법을 검토하며, 단일 카메라 깊이 추정, 의미 분할, 자가 운동 예측, 궤도 계획 분야에서의 딥 러닝 및 강화 학습 응용을 중심으로 다룹니다. 이러한 방법들을 전통적인 SLAM 및 내비게이션 프레임워크와 통합하여 로봇공학 및 인공지능 분야에서의 주요 과제와 향후 연구 방향을 강조합니다.

ABSTRACT

Autonomous systems possess the features of inferring their own ego-motion, autonomously understanding their surroundings, and planning trajectories. With the applications of deep learning and reinforcement learning, the perception and decision-making abilities of autonomous systems are being efficiently addressed, and many new learning-based algorithms have surfaced with respect to autonomous perception and decision-making. In this review, we focus on the applications of learning-based approaches in perception and decision-making in autonomous systems, which is different from previous reviews that discussed traditional methods. First, we delineate the existing classical simultaneous localization and mapping (SLAM) solutions and review the environmental perception and understanding methods based on deep learning, including deep learning-based monocular depth estimation, ego-motion prediction, image enhancement, object detection, semantic segmentation, and their combinations with traditional SLAM frameworks. Second, we briefly summarize the existing motion planning techniques, such as path planning and trajectory planning methods, and discuss the navigation methods based on reinforcement learning. Finally, we examine the several challenges and promising directions discussed and concluded in related research for future works in the era of computer science, automatic control, and robotics.

연구 동기 및 목표

• 기존 방법을 넘어서 최근의 학습 기반 인식 및 의사결정 기술의 발전을 검토하기 위해.
• 딥 러닝이 환경 이해를 어떻게 향상시키는지 분석하기 위해, 단일 카메라 기반 깊이 추정, 객체 탐지, 의미 분할을 포함하여.
• 자율 시스템의 운동 계획 및 내비게이션에 있어서 강화 학습 응용을 탐색하기 위해.
• 학습 기반 인식 및 의사결정, 시스템 통합 분야에서의 주요 과제와 유망한 향후 연구 방향을 특정하기 위해.

제안 방법

• 기존의 SLAM 솔루션을 조사하고, 단일 카메라 기반 깊이 추정 및 자가 운동 예측 등의 딥 러닝 기반 인식 모듈과 통합하기 위해.
• 이미지 향상, 객체 탐지, 의미 분할을 위한 딥 러닝 기법을 검토하여 환경 이해를 향상시키기 위해.
• 기존 SLAM과 학습된 인식 구성 요소를 융합한 하이브리드 프레임워크를 분석하여 정밀도 및 내구성을 향상시키기 위해.
• 경로 계획 및 자율 내비게이션을 위한 궤도 최적화를 포함한 강화 학습 기반 운동 계획 기법을 요약하기 위해.
• 불확실성 하에서 의사결정을 위한 엔드 투 엔드 학습을 활용한 내비게이션 전략을 평가하기 위해.
• 로봇공학, 제어 이론, 인공지능 분야의 최근 문헌으로부터 과제와 향후 연구 방향을 통합하기 위해.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 방법은 자율 시스템에서 깊이 추정 및 의미 분할과 같은 인식 능력을 어떻게 향상시키는가?
• RQ2 학습 기반 인식은 기존의 SLAM 프레임워크와 어떻게 효과적으로 통합될 수 있는가?
• RQ3 자율 시스템의 운동 계획 및 내비게이션에서 강화 학습의 장점과 한계는 무엇인가?
• RQ4 엔드 투 엔드 학습 접근법은 실제 자율 내비게이션에서 모듈화된 인식-의사결정 파이프라인과 비교하여 어떻게 다를까?
• RQ5 학습 기반 인식 및 의사결정 분야에서의 주요 열린 과제와 향후 연구 방향은 무엇인가?

주요 결과

• 딥 러닝 기반 단일 카메라 기반 깊이 추정은 라이다 없이도 비용 효율적인 인식을 가능하게 하여 깊이 정확도를 크게 향상시킨다.
• 딥 네트워크를 활용한 의미 분할 및 객체 탐지는 환경 이해를 향상시켜 더 안전하고 적응 가능한 내비게이션을 지원한다.
• 기존 SLAM 프레임워크와 학습된 인식을 융합함으로써 동적 환경 및 낮은 무늬 환경에서의 내구성이 향상된다.
• 강화 학습은 복잡하고 변화하는 환경에 적응하는 엔드 투 엔드 내비게이션 정책을 가능하게 하지만, 샘플 효율성은 여전히 과제이다.
• 기존 SLAM과 딥 러닝을 융합한 하이브리드 접근법은 장기적 자율성 및 정밀도 향상 측면에서 향상된 성능을 보였다.
• 주요 과제로는 도메인 간 일반화, 실시간 추론, 학습된 의사결정 시스템의 안전 보장 및 해석 가능성 등이 있다.