[논문 리뷰] Autonomous Waypoint Generation with Safety Guarantees: On-Line Motion Planning in Unknown Environments

Sanjeev Sharma|arXiv (Cornell University)|2017. 09. 02.

Robotic Path Planning Algorithms참고 문헌 1인용 수 4

한 줄 요약

이 논문은 지도 없이 미지의 비정형 환경에서 이동하는 로봇을 위한 반응형 온라인 운동 계획 기법 RAW를 제안한다. 이는 충돌 안전성과 거의 최적의 주행을 보장한다. 반정형 프로그래밍을 사용해 로봇 주변에 국소적으로 최대 크기의 안전 타원체를 생성하고, 강화 학습 에이전트를 활용해 그 안에 있는 웨이포인트를 선택함으로써, 로봇은 겹치는 타원체를 통해 목표 지점으로 이동할 수 있으며, 충돌을 방지하면서 최적 경로보다 최대 15–24% 길이가 긴 경로를 생성한다.

ABSTRACT

On-line motion planning in unknown environments is a challenging problem as it requires (i) ensuring collision avoidance and (ii) minimizing the motion time, while continuously predicting where to go next. Previous approaches to on-line motion planning assume that a rough map of the environment is available, thereby simplifying the problem. This paper presents a reactive on-line motion planner, Robust Autonomous Waypoint generation (RAW), for mobile robots navigating in unknown and unstructured environments. RAW generates a locally maximal ellipsoid around the robot, using semi-definite programming, such that the surrounding obstacles lie outside the ellipsoid. A reinforcement learning agent then generates a local waypoint in the robot's field of view, inside the ellipsoid. The robot navigates to the waypoint and the process iterates until it reaches the goal. By following the waypoints the robot navigates through a sequence of overlapping ellipsoids, and avoids collision. Robot's safety is guaranteed theoretically and the claims are validated through rigorous numerical experiments in four different experimental setups. Near-optimality is shown empirically by comparing RAW trajectories with the global optimal trajectories.

연구 동기 및 목표

• 사전 지도 없이도 미지의 비정형 환경에서 온라인 운동 계획을 수행하는 데 도전하는 것.
• 제한된 시야와 불완전한 환경 지식에도 불구하고 실시간으로 충돌을 방지하는 것.
• 경로 길이 측면에서 최적에 가까운 경로를 생성하면서도 주행 시간을 최소화하는 것.
• 전체 지도, 잠재력 장, 고정된 경로 집합에 의존하는 이전 방법의 한계를 극복하는 것.
• 반정형 프로그래밍을 활용한 기하학적 분리 기반으로 이론적으로 안전성을 보장하는 것.

제안 방법

• 반정형 프로그래밍(SDP)을 사용해 로봇 주변에 국소적으로 최대 크기의 타원체를 구성함으로써, 감지된 모든 장애물이 타원체 외부에 위치하도록 보장한다.
• 로봇의 시야와 목표 방향을 기반으로 강화 학습(RL) 에이전트가 안전 타원체 내부에서 국소 웨이포인트를 선택한다.
• 선택된 웨이포인트로 로봇을 이동시키되, 현재 타원체 내부에 머무르며 충돌 회피를 보장한다.
• 반복적으로 동일한 과정을 반복: 새로운 로봇 위치에서 타원체를 재계산하고, 새로운 웨이포인트를 생성하며, 목표에 도달할 때까지 계속 진행한다.
• SDP로 생성된 타원체를 안전 장벽으로 활용해 충돌로 이어질 수 있는 위험한 웨이포인트를 사전에 걸러내어 안전성을 확보한다.
• 타원체의 겹치는 순서를 활용해 환경을 가로질러 가상의 장애물 없는 턨널을 형성함으로써, 지도 구축 없이도 안전한 주행을 가능하게 한다.

실험 결과

연구 질문

• RQ1 전체 지도나 사전 환경 지식에 의존하지 않고도 반응형 운동 계획 기법이 미지 환경에서 안전성을 보장할 수 있는가?
• RQ2 로봇이 예측할 수 없는 장애물과의 충돌을 보장하면서 실시간으로 국소적으로 최적의 웨이포인트를 생성할 수 있는가?
• RQ3 제안된 방법이 생성한 경로가 경로 길이와 효율성 측면에서 최적 경로나 RRT 기반 경로와 비교해 어느 정도 유사한가?
• RQ4 SDP와 RL을 사용해 실시간 재계획과 안전 보장을 동시에 유지하는 데 있어 계산적 타당성이 있는가?
• RQ5 다른 방법이 진동하거나 실패할 수 있는 어려운 상황, 예를 들어 사각지대나 좁은 통로에서 플래너가 실패를 피할 수 있는가?

주요 결과

• RAW는 반정형 프로그래밍을 활용한 수학적으로 증명된 타원체 기반 충돌 회피 메커니즘을 통해 안전성을 보장한다.
• 48개의 원형 장애물이 있는 환경에서 RAW 경로는 최적 경로보다 최대 15% 길이가 길었으며, 이는 뛰어난 거의 최적성( near-optimality )을 보여준다.
• 여러 실험 설정에서 RAW는 평균 및 최소 길이 RRT 경로보다 더 짧은 경로를 생성했다.
• 알고리즘은 평균 98.36 ± 8.68 ms의 계산 시간을 기록하여 표준 노트북에서 약 10 Hz의 속도로 재계획이 가능했다.
• 테스트 구성 전반에서 RAW는 100%의 충돌 회피 성공률을 기록했으며, 안전 필터링 기능이 없는 이전의 AWGS 방법보다 뛰어났다. AWGS는 66%의 실패율을 기록했다.
• 통로나 사각지대 유사 환경에서는 잠재력 장 방법보다 진동을 더 잘 피했지만, 제한된 시야로 인해 깊은 사각지대에서는 수렴 보장이 되지 않는다.