[논문 리뷰] Behavior Trees in Robotics and AI: An Introduction

Michele Colledanchise, Petter Ögren|arXiv (Cornell University)|2017. 08. 31.

Reinforcement Learning in Robotics참고 문헌 56인용 수 184

한 줄 요약

본 논문(책 장)은 로봇공학과 AI를 위한 모듈식이고 반응적인 제어 아키텍처로서 행동 트리(BTs)를 소개하고, FSMs와 대조하며, 기초 이론, 예제, 확장, 분석, 계획 및 학습 측면을 고찰한다.

ABSTRACT

A Behavior Tree (BT) is a way to structure the switching between different tasks in an autonomous agent, such as a robot or a virtual entity in a computer game. BTs are a very efficient way of creating complex systems that are both modular and reactive. These properties are crucial in many applications, which has led to the spread of BT from computer game programming to many branches of AI and Robotics. In this book, we will first give an introduction to BTs, then we describe how BTs relate to, and in many cases generalize, earlier switching structures. These ideas are then used as a foundation for a set of efficient and easy to use design principles. Properties such as safety, robustness, and efficiency are important for an autonomous system, and we describe a set of tools for formally analyzing these using a state space description of BTs. With the new analysis tools, we can formalize the descriptions of how BTs generalize earlier approaches. We also show the use of BTs in automated planning and machine learning. Finally, we describe an extended set of tools to capture the behavior of Stochastic BTs, where the outcomes of actions are described by probabilities. These tools enable the computation of both success probabilities and time to completion.

연구 동기 및 목표

• 행동 트리(BT)가 무엇이며 왜 FSM보다 반응성과 모듈화를 제공하는지 설명한다.
• 전형적인 BT 공식화와 예시를 통한 실행 의미를 보여준다.
• Pac-Man과 모바일 매니퓰레이터를 통해 로봇공학에서 BT의 응용을 시연한다.
• 안전성, 효율성, 강건성을 위한 설계 원칙, 확장, 분석 도구를 고찰한다.
• BT와 계획, 기계학습의 연결고리를 개략적으로 제시한다.

제안 방법

• BT를 제어흐름 노드와 실행 노드를 가진 뿌리 트리로 정의하고, tick 기반 실행 의미를 설명한다.
• 네 가지 제어흐름 노드 타입(Sequence, Fallback, Parallel, Decorator)과 두 가지 실행 노드 타입(Action, Condition)을 제시한다.
• 메모리를 사용하는 제어흐름 노드를 반응성 향상의 메커니즘으로 설명하고, 메모리 없는 등가성에 대해 논의한다.
• Pac-Man과 모바일 매니퓰레이터에 대한 구체적 BT 예시를 제시하여 모듈식 구성의 예를 보인다.
• BT의 확장(Utility, Stochastic BTs, 동적 확장)과 그 함의를 논의한다.
• 계획(PA-BT, ABL) 및 학습(GP-BT, RL-BT, 시연으로부터의 학습)에서의 BT를 고찰한다.

실험 결과

연구 질문

• RQ1 BT가 FSM, Subsumption Architecture, Teleo-Reactive 프로그램, 의사결정 트리, 순차적 행동 구성(sequential behavior composition)과 같은 초기 전환 구조를 어떻게 일반화하는가?
• RQ2 BT의 가독성, 반응성, 안전성, 심사숙고(숙의) 성향을 높이는 설계 원칙은 무엇인가?
• RQ3 BT를 어떻게 확장하고 계획 및 학습과 통합하여 자율성을 향상시킬 수 있는가?
• RQ4 실제 로봇 및 AI 시스템에서 BT를 사용할 때의 실용적 이점과트레이드오프는 무엇인가?

주요 결과

• BT는 트리 노드를 통한 양방향 제어 전이를 사용함으로써 FSM에 비해 모듈화와 반응성의 이점을 제공한다.
• 메모리 활성화 BT는 불필요한 재실행을 줄이고 효율성을 향상시킬 수 있는 반면, 메모리 없는 BT는 더 반응적이다.
• BT는 Pac-Man과 모바일 매니퓰레이션과 같은 작업을 다루도록 점진적으로 구축할 수 있어 모듈식 구성을 보여준다.
• BT는 Subsumption Architecture, Teleo-Reactive 프로그램, 의사결정 트리와 같은 초기 개념과 연계되거나 일반화된다.
• BT 확장(Utility, Stochastic BTs) 및 계획/학습 통합은 더 풍부하고 적응적인 행위를 가능하게 한다.
• BT는 자율 시스템의 효율성, 안전성, 강건성을 분석하기 위한 형식적 도구를 제공한다.