[논문 리뷰] Decentralized Informative Path Planning with Exploration-Exploitation Balance for Swarm Robotic Search

Payam Ghassemi, Souma Chowdhury|arXiv (Cornell University)|2019. 05. 24.

Distributed Control Multi-Agent Systems참고 문헌 33인용 수 7

한 줄 요약

이 논문은 공간적으로 변하는 신호가 존재하는 2차원 환경에서 스웜 로봇 탐색을 위한 탈중앙화되고 비동기적인 경로 계획 알고리즘인 Bayes-Swarm를 제안한다. 이 알고리즘은 탐색, 이용, 궤적 기반 지식 획득을 균형 잡는 새로운 확보 함수를 사용하여, 복잡한 환경에서 완전 탐색 대비 최대 90배 빠르고 무작위 보행 대비 83배 빠른 임무 완료를 달성한다.

ABSTRACT

Swarm robotic search is concerned with searching targets in unknown environments (e.g., for search and rescue or hazard localization), using a large number of collaborating simple mobile robots. In such applications, decentralized swarm systems are touted for their task/coverage scalability, time efficiency, and fault tolerance. To guide the behavior of such swarm systems, two broad classes of approaches are available, namely nature-inspired swarm heuristics and multi-robotic search methods. However, simultaneously offering computationally-efficient scalability and fundamental insights into the exhibited behavior (instead of a black-box behavior model), remains challenging under either of these two class of approaches. In this paper, we develop an important extension of the batch Bayesian search method for application to embodied swarm systems, searching in a physical 2D space. Key contributions lie in: 1) designing an acquisition function that not only balances exploration and exploitation across the swarm, but also allows modeling knowledge extraction over trajectories; and 2) developing its distributed implementation to allow asynchronous task inference and path planning by the swarm robots. The resulting collective informative path planning approach is tested on target search case studies of varying complexity, where the target produces a spatially varying (measurable) signal. Significantly superior performance, in terms of mission completion efficiency, is observed compared to exhaustive search and random walk baselines, along with favorable performance scalability with increasing swarm size.

연구 동기 및 목표

• 알려지지 않은 2차원 환경에서 대규모 스웜 로봇 시스템에 대해 계산적으로 효율적이고 확장 가능하며 행동 해석이 가능한 경로 계획 기술을 설계하는 데 도전한다.
• 블랙박스 성향을 띤 자연 기반 휴리스틱과 중심집중형 베이지안 방법의 한계를 극복하기 위해, 기본적인 행동적 통찰을 제공하는 탈중앙화되고 비동기적인 의사결정을 가능하게 한다.
• 경로 기반 지식 획득을 모델링하는 궤적 인식 확보 함수를 개발하여, 단지 점이 아닌 경로를 통해 정보 가치를 더 정확하게 추정함으로써 집단적 탐색 효율성을 향상시킨다.
• 각 로봇이 국부 정보와 공유된 가우시안 프로세스 모델을 사용하여 독립적으로 임무를 추론하고 경로를 계획함으로써 확장성과 고장 내성 확보.
• 실제와 유사한 사례 연구를 통해 다양한 신호 분포와 스웜 크기에서 뛰어난 성능과 확장성을 입증한다.

제안 방법

• 원천 탐색(이용) 및 지식 획득(탐색) 성분을 통합한 새로운 확보 함수를 설계하며, 이 둘을 균형 잡기 위해 히우리스틱 가중계수 α를 사용한다.
• 이산 웨이포인트가 아닌 전체 로봇 궤적을 기반으로 지식 획득을 모델링하여, 동적인 물리적 탐색 공간에서 정보 가치를 더 정확하게 추정할 수 있도록 한다.
• 탈중앙화되고 비동기적으로 작동하는 알고리즘을 구현하여, 각 로봇이 국부 센서 데이터와 공유된 실시간 업데이트되는 가우시안 프로세스(GP) 모델을 사용해 독립적으로 다음 웨이포인트를 계산한다.
• 신체적 스웜 시스템에 적합하게 조정된 배치 베이지안 탐색 프레임워크를 사용하며, 로봇들이 수집한 신호 측정치를 기반으로 GP 사후분포를 공동으로 업데이트한다.
• 운동 제약 조건과 경로 비용을 확보 함수에 통합하여 실현 가능하고 효율적인 주행을 보장한다.
• 대규모 스웜에서 계산 부담을 줄이기 위해 GP 업데이트에 대해 다운샘플링 히우리스틱을 적용하여 100+ 대의 로봇까지의 확장성을 확보한다.

실험 결과

연구 질문

• RQ1 공간적으로 변하는 신호가 존재하는 스웜 로봇 탐색에서 탈중앙화되고 비동기적인 경로 계획 알고리즘이 탐색과 이용을 어떻게 균형 잡을 수 있는가?
• RQ2 점 기반 모델 대비 궤적 인식 확보 함수가 집단적 정보 획득을 향상시키고 중복 탐색을 줄일 수 있는가?
• RQ3 스웜 크기가 증가함에 따라 임무 완료 시간과 맵핑 정확도 측면에서 제안된 알고리즘이 어떻게 확장되는가?
• RQ4 히우리스틱 가중계수 α가 다양한 신호 분포와 스웜 크기에서 성능에 미치는 영향은 무엇인가?
• RQ5 복잡한 비凸형 환경에서 완전 탐색 및 무작위 보행 기반선과 비교해 알고리즘의 성능은 어떠한가?

주요 결과

• Bayes-Swarm는 모든 4개의 사례 연구에서 완전 탐색 대비 최대 90배 빠른 임무 완료를 달성했으며, 완료 시간은 완전 탐색의 약 9,163초에서 최소 102초로 감소했다.
• 사례 연구 1과 2에서 Bayes-Swarm는 무작위 보행 기반선 대비 각각 83배와 5배 빠른 완료 시간을 기록했으며, 무작위 보행 방법이 1.5배 더 긴 시간 예산을 가졌음에도 불구하고 성능이 뛰어났다.
• 알고리즘은 초선형 확장성을 보였으며, 스웜 크기가 2에서 20대로 증가함에 따라 완료 시간이 크게 감소했고, 환경 크기 제약으로 인해 성능 향상이 포화 상태에 도달했다.
• 무작위 보행 방법은 4개 사례 연구 중 3개에서 원천을 탐색하지 못했으며, 이는 복잡한 환경에서의 비효율성을 강력히 보여준다.
• 파rametric 분석 결과 최적의 성능는 스웜 크기와 신호 분포의 복잡성에 모두 의존하므로, 고정된 α 조정 대신 적응형 α 설정이 필요함을 시사한다.
• 알고리즘은 낮은 맵핑 오차와 높은 내구성을 유지했으며, 5회의 독립 실행 모두에서 일관된 성능을 보여, 실제 운영 환경에서의 신뢰성과 안정성을 입증했다.