[논문 리뷰] Decentralized Social Navigation with Non-Cooperative Robots via Bi-Level Optimization

Rohan Chandra, Rahul Menon외 3명|arXiv (Cornell University)|2023. 06. 15.

Evacuation and Crowd Dynamics인용 수 4

한 줄 요약

이 논문은 도어웨이 및 복도 교차로와 같은 사회적 미니게임에서 비협력적 다중로봇 주행을 위한 완전히 탈중앙화된 이중수준 최적화 프레임워크를 제안한다. 먼저 탈중앙화된 입찰 방식을 통해 공정하고 충돌이 없는 우선순위 순서를 결정한 후, 속도 편차를 최소화하는 운동역학적으로 타당한 경로를 계획한다. 이는 최신의 학습 기반 방법보다 44% 높은 성능을 달성하고, CADRL보다 2배에서 5배 적은 속도 변화를 기록한다.

ABSTRACT

This paper presents a fully decentralized approach for realtime non-cooperative multi-robot navigation in social mini-games, such as navigating through a narrow doorway or negotiating right of way at a corridor intersection. Our contribution is a new realtime bi-level optimization algorithm, in which the top-level optimization consists of computing a fair and collision-free ordering followed by the bottom-level optimization which plans optimal trajectories conditioned on the ordering. We show that, given such a priority order, we can impose simple kinodynamic constraints on each robot that are sufficient for it to plan collision-free trajectories with minimal deviation from their preferred velocities, similar to how humans navigate in these scenarios. We successfully deploy the proposed algorithm in the real world using F$1/10$ robots, a Clearpath Jackal, and a Boston Dynamics Spot as well as in simulation using the SocialGym 2.0 multi-agent social navigation simulator, in the doorway and corridor intersection scenarios. We compare with state-of-the-art social navigation methods using multi-agent reinforcement learning, collision avoidance algorithms, and crowd simulation models. We show that $(i)$ classical navigation performs $44\%$ better than the state-of-the-art learning-based social navigation algorithms, $(ii)$ without a scheduling protocol, our approach results in collisions in social mini-games $(iii)$ our approach yields $2 imes$ and $5 imes$ fewer velocity changes than CADRL in doorways and intersections, and finally $(iv)$ bi-level navigation in doorways at a flow rate of $2.8 - 3.3$ (ms)$^{-1}$ is comparable to flow rate in human navigation at a flow rate of $4$ (ms)$^{-1}$.

연구 동기 및 목표

• 제한된 환경인 도어웨이 및 복도를 통과하는 비협력적 다중로봇 시스템에서 안전하고 효율적이며 사회적으로 타당한 주행을 해결하기 위해.
• 딥 강화 학습(MARL) 및 군중 시뮬레이션 모델과 같은 기존 방법의 한계를 극복하기 위해 — 이러한 방법들은 시뮬레이션에서 실세계로의 전이 격차, 낮은 실세계 적용 가능성, 또는 협력 행동을 전제로 한다.
• 중앙 집중식 조율 없이도 로봇이 자율적으로 우선순위 순서를 결정하고 경로를 계획할 수 있는 탈중앙화된 실시간 솔루션을 개발하기 위해.
• 비협력적인 목표에도 불구하고 인간과 유사한 주행 행동을 달성하기 위해 최소한의 속도 편차와 부드럽고 협력적인 듯한 조작을 특징으로 하기 위해.

제안 방법

• 이중수준 최적화 프레임워크를 사용한다: 상위 수준은 각 로봇이 자체 목표에 기반해 독립적으로 입찰하는 탈중앙화된 경매 기반 입찰 방식을 통해 공정하고 충돌이 없는 우선순위 순서를 해결한다.
• 하위 수준 최적화는 할당된 우선순위 순서에 따라 운동역학적으로 타당한 경로를 계획하며, 충돌을 방지하면서 각 로봇의 선호 속도에서의 편차를 최소화한다.
• 각 로봇에 대해 단순하고 국소적인 운동역학 제약 조건을 적용하여, 우선순위 스케줄에 기반해 충돌이 없는 주행을 보장하며, 전역 상태 지식이 필요로 하지 않는다.
• 각 로봇이 자체적으로 우선순위와 경로를 독립적으로 계산하는 탈중앙화된 구현 방식을 채택하여 물리적 로봇에서 실시간 작동이 가능하게 한다.
• 다양한 시나리오에서 접근법을 검증하기 위해 실제 하드웨어(F1/10 자동차, Jackal, Spot)와 시뮬레이션(SocialGym 2.0)을 활용한다.
• 간단함을 위해 수작업으로 정의된 우선순위 규칙를 사용하며, 향후 연구에서는 역 최적 제어를 통해 비용 함수를 학습하여 더 나은 일반화 성능을 달성하고자 한다.

(a) No scheduling, initial time.

실험 결과

연구 질문

• RQ1 탈중앙화된 비협력적 다중로봇 주행에서 우선순위 순서 결정과 경로 계획을 효과적으로 분리하는 데 이중수준 최적화 프레임워크가 유용한가?
• RQ2 탈중앙화된 경매 기반 우선순위 프rotocol이 도어웨이 및 복도 교차점과 같은 사회적 미니게임에서 충돌이 없고 효율적인 주행을 이끌 수 있는가?
• RQ3 간단한 운동역학 제약 조건이 우선순위 순서와 함께 조합될 경우, 최소한의 속도 편차를 가진 사회적으로 타당한 경로를 생성할 수 있는가?
• RQ4 실세계 및 시뮬레이션 환경에서 최신의 MARL, RVO, Social Forces 기준과 비교해 제안된 방법은 정량적으로 어떻게 성능을 냈는가?
• RQ5 스케줄링 프로토콜이 없는 경우 비협력적 주행에서 충돌이나 정체가 얼마나 자주 발생하는가?

주요 결과

• 제안된 이중수준 최적화를 통한 전통적 주행은 도어웨이 작업에서 최신의 MARL 기반 사회적 주행 알고리즘보다 성공률에서 44% 높은 성능을 기록했다.
• 스케줄링 프로토콜이 없을 경우, 시스템은 사회적 미니게임에서 충돌을 일으켰으며, 안전한 주행을 위해 우선순위 순서가 반드시 필요함을 입증했다.
• 도어웨이 및 교차로 시나리오에서 각각 CADRL보다 2배와 5배 적은 속도 변화를 기록하여, 더 높은 사회적 타당성을 입증했다.
• 유량 2.8–3.3 m/s의 도어웨이 주행에서 이중수준 접근법은 인간 주행의 4 m/s 성능과 동등한 성능을 달성하여 강력한 사회적 타당성을 보였다.
• 고유한 전역 정책이 없는 Only Local 기준은 도어웨이 시나리오에서 거의 100% 실패했으며, 이는 국소적 주행만으로는 전역 조율 메커니즘이 없으면 실패한다는 것을 확인한다.
• 다수의 MARL 기준은 낮은 충돌률을 보였지만, 이는 효과적인 주행 탓이 아니라 빈번한 정체와 타임아웃 탓이었으며, 끔찍한 성공률로 이를 뒷받침한다.

(b) No schedule results in collision.