[논문 리뷰] Behavior Trees for Robust Task Level Control in Robotic Applications

Matteo Iovino, Christian Smith|arXiv (Cornell University)|2023. 01. 16.

Formal Methods in Verification인용 수 4

한 줄 요약

이 논문은 로봇의 고수준 작업 제어를 위한 강력하고 모듈화되며 설명 가능한 프레임워크로 행동 트리(Behavior Trees, BTs)를 제안한다. 이는 예측 불가능한 환경에서 반응성과 고장 내성 기능을 제공한다. 계획 수립, 시연로부터 학습(Learning from Demonstration, LfD), 유전적 프로그래밍(Genetic Programming, GP) 등의 자동 합성 방법을 통합하여 BTs를 효율적으로 생성하며, 다양한 시나리오—예를 들어 킷팅, 조립, 물품 배달—에서 조건이 불완전하거나 외부 간섭이 있을 경우에도 성공적인 작업 완료를 보여준다.

ABSTRACT

Behavior Trees are a task switching policy representation that can grant reactiveness and fault tolerance. Moreover, because of their structure and modularity, a variety of methods can be used to generate them automatically. In this short paper we introduce Behavior Trees in the context of robotic applications, with overview of autonomous synthesis methods.

연구 동기 및 목표

• 예측 불가능한 환경에서 작동하는 로봇을 위한 강력하고 반응적이며 고장 내성적인 작업 수준 제어기 설계의 과제를 해결하기 위해.
• 도메인에 관계없이 적용 가능한 방법을 통해 행동 트리(Behavior Trees)의 자동 합성 기능을 통해 수동 프로그래밍에 대한 의존도를 줄이기 위해.
• 명확한 입력/출력 의미론을 가진 표준화된 BT 아키텍처를 통해 로봇 행동의 모듈성과 재사용성을 향상시키기 위해.
• 계획 수립, 시연로부터 학습(Learning from Demonstration, LfD), 유전적 프로그래밍(Genetic Programming, GP)이 로봇 조작 작업의 BT 생성에 얼마나 효과적인지 평가하고 비교하기 위해.
• 계획 수립 또는 시연된 솔루션으로 GP 학습을 부트스트랩하는 것이 수렴 속도 향상과 성능 향상에 기여함을 입증하기 위해.

제안 방법

• 제어 노드(Sequence, Selector, Parallel)와 실행 노드(작업, 조건)를 갖는 계층적이고 모듈화된 작업 제어 아키텍처로 행동 트리(Behavior Trees)를 사용하며, 루트에서 리프까지 전파되는 주기적인 틱 신호에 의해 동작한다.
• 목표 조건를 충족시키기 위해 액션의 후행 조건와 일치하는 방식으로 점진적으로 목표를 달성하는 방식으로, PDDL를 활용한 후행 추론 계획 수립을 통해 자동으로 BTs를 생성한다.
• 인간의 시연를 통해 키테스틱 교육 또는 원격 제어를 활용하여 LfD를 적용하여 BTs를 추출함으로써, 다양한 초기 설정에 대한 일반화 능력을 향상시킨다.
• 유전적 프로그래밍(GP)을 통해 돌연변이, 교차, 적합도 평가를 통해 BTs를 진화시키며, 적합도 함수는 목표 달성, 실행 시간, 트리 크기 등에 중점을 둔다.
• 이중 단계의 시뮬레이션 파이프라인을 활용한다: GP 학습을 위한 빠르고 물리학을 간소화한 시뮬레이터, 실패 내성성 검증을 위한 물리학을 고려한 시뮬레이터.
• 다양한 입력 방식(예: 음성, 키테스틱 입력)을 통합하여 공동 작업 환경에서 LfD의 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 행동 트리(Behavior Trees)는 예측 불가능하고 다이나믹한 환경에서 작동하는 로봇 응용 분야에서 반응성과 고장 내성 기능을 효과적으로 지원할 수 있는가?
• RQ2 계획 수립, LfD, GP 등의 자동 합성 방법을 어떻게 조합하여 수동 프로그래밍의 양을 줄이면서도 제어기의 강력성을 유지할 수 있는가?
• RQ3 계획 수립 또는 시연된 BTs로 GP를 부트스트랩하는 것이 학습 수렴 속도와 해법 품질에 얼마나 기여하는가?
• RQ4 LfD를 통해 유도된 BTs는 다양한 초기 설정에 대해 얼마나 잘 일반화되며, 작업 실행 중 외부 간섭에 어떻게 대응하는가?
• RQ5 BTs의 모듈성은 확장 가능하고 유지보수 용이하며 설명 가능한 로봇 행동 설계를 어떻게 지원하는가?

주요 결과

• PDDL 기반 후행 추론 계획 수립은 간단한 작업—예를 들어 3개의 LEGO DUPLO 브릭을 쌓는 것—에 대해 성공적으로 BTs를 생성했지만, 물체 균형 등의 환경 제약 조건이 누락된 경우 실패했다.
• 시연로부터 학습(Learning from Demonstration, LfD)을 통해 로봇은 다양한 초기 설정에 일반화하고, 작업 완료 후 물체가 제거된 후 재배열하는 등의 간섭 상황에서도 복구할 수 있었다.
• LfD 방법은 단지 3회의 시범 시연만으로도 킷팅 및 조립 작업에 대해 강력한 정책을 생성했으며, 프로그래밍 전문 지식이 거의 필요로 하지 않았다.
• 유전적 프로그래밍(Genetic Programming, GP)은 단순화된 시뮬레이터에서 이동형 조작 작업에 대해 BTs를 성공적으로 진화시켰으며, 목표 달성, 실행 시간, 트리 복잡도를 균형 있게 고려한 적합도 함수를 활용했다.
• 계획 수립 솔루션으로 GP를 부트스트랩함으로써 수렴 시간이 크게 단축되었으며, 하이브리드 합성 접근법의 가치를 입증했다.
• 물리학을 고려한 시뮬레이터에서 검증한 결과, 최종 BTs는 국소화 오류나 물체 이격 등의 실패 모드에 대해 강건함을 입증했으며, 현실 세계의 불확실성에 대한 내성을 확인했다.