[논문 리뷰] Deep-Learned Collision Avoidance Policy for Distributed Multi-Agent Navigation

Pinxin Long, Wenxi Liu외 1명|arXiv (Cornell University)|2016. 09. 22.

Robotic Path Planning Algorithms참고 문헌 21인용 수 11

한 줄 요약

이 논문은 소음이 있는 센서 입력을 충돌 없는 조향 속도로 매핑하는 딥 뉴럴 네트워크를 훈련시켜, 분산형 다중 에이전트 주행을 위한 엔드 투 엔드 충돌 회피 정책을 제안한다. 이 방법은 예측되지 않은 시나리오, 예를 들어 정적 장애물과 크기가 다른 에이전트에 대해 잘 일반화되며, 수동 파rameter 조정이 필요 없고 ORCA보다 더 뛰어난 내성적 특성을 보인다.

ABSTRACT

High-speed, low-latency obstacle avoidance that is insensitive to sensor noise is essential for enabling multiple decentralized robots to function reliably in cluttered and dynamic environments. While other distributed multi-agent collision avoidance systems exist, these systems require online geometric optimization where tedious parameter tuning and perfect sensing are necessary. We present a novel end-to-end framework to generate reactive collision avoidance policy for efficient distributed multi-agent navigation. Our method formulates an agent's navigation strategy as a deep neural network mapping from the observed noisy sensor measurements to the agent's steering commands in terms of movement velocity. We train the network on a large number of frames of collision avoidance data collected by repeatedly running a multi-agent simulator with different parameter settings. We validate the learned deep neural network policy in a set of simulated and real scenarios with noisy measurements and demonstrate that our method is able to generate a robust navigation strategy that is insensitive to imperfect sensing and works reliably in all situations. We also show that our method can be well generalized to scenarios that do not appear in our training data, including scenes with static obstacles and agents with different sizes. Videos are available at https://sites.google.com/view/deepmaca.

연구 동기 및 목표

• 완벽한 센서 데이터와 광범위한 파rameter 조정에 의존하는 기존 분산형 다중 에이전트 충돌 회피 시스템의 한계를 해결한다.
• 불완전한 센서 데이터를 가진 혼잡하고 동적인 환경에서도 신뢰성 있게 작동하는 확장 가능한 실시간 주행 정책을 개발한다.
• 재훈련 없이도 예측되지 않은 시나리오, 예를 들어 정적 장애물과 크기가 다른 에이전트에 대해 일반화할 수 있도록 한다.
• 중앙 집중식 조율 또는 모션 캡처 시스템 없이 완전히 분산된 주행을 달성한다.

제안 방법

• 실시간으로 소음이 있는 2D 라이다 관측치와 목표 정보를 반응형 조향 속도 명령으로 매핑하는 딥 뉴럴 네트워크를 훈련한다.
• 다양한 구성, 즉 다양한 수의 에이전트와 장애물 배치를 포함한 다중 에이전트 시뮬레이터를 사용해 대규모 데이터셋을 생성한다.
• 합성 센서 노이즈와 대칭 변환을 통한 데이터 증강을 적용해 내성적 특성과 일반화 능력을 향상시킨다.
• 수집된 충돌 회피 경로를 기반으로 오프라인에서 지도 학습을 통해 종단 간(end-to-end)으로 네트워크를 훈련시킨다.
• AR 태그나 외부 위치 기반 시스템 없이도 실물 로봇에 직접 훈련된 정책을 구현한다. 단, 차량 내부의 2D 라이다만 사용한다.
• 동일한 에이전트에 대해 정책의 대칭성을 활용하여 대칭적인 시나리오에서 동기화된 회전과 같은 잠재적 협력 행동을 유도한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 시뮬레이션 데이터에서 충돌 회피 정책을 학습할 수 있을까? 이 정책은 실제 소음 있는 센서 입력으로도 일반화되는가?
• RQ2 학습 데이터에 포함되지 않은 시나리오, 예를 들어 정적 장애물과 크기가 다른 에이전트에 대해 얼마나 잘 일반화되는가?
• RQ3 센서 노이즈 하에서 성공률, 부드러움, 내성적 특성 측면에서 ORCA와 같은 최신 기술과 비교해 볼 때 학습된 정책의 성능은 어떠한가?
• RQ4 이 방법은 중앙 집중식 조율 또는 완벽한 센서 데이터 없이도 완전히 분산된 주행을 가능하게 하는가?

주요 결과

• 노이즈 있는 센서 조건 하에서 8개의 에이전트가 포함된 원형 시나리오에서 학습된 정책은 100% 성공률를 기록했고, ORCA는 에이전트 정지 문제로 실패했다.
• 정적 장애물이 있는 시나리오로도 효과적으로 일반화되어 재훈련 없이 안전한 주행을 유지한다.
• 크기가 다른 에이전트가 포함된 시나리오에서는 상대적 크기에 따라 경로를 동적으로 조정하며, 더 큰 에이전트일수록 안전 확보를 위해 더 많이 경로를 벗어난다.
• 실제 실험에서 4대의 물리적 로봇을 사용하여 차량 내부의 2D 라이다만으로도 완전히 분산된 주행이 성공적으로 작동함을 입증했다.
• 정책의 대칭적 배포 덕분에 ORCA의 독립적이고 끈적거리는 움직임과는 달리, 동기화된 회전과 같은 잠재적 협력 행동이 나타난다.
• 훈련 세트에서 약 64%의 정확도를 기록했음에도 불구하고 모델은 잘 일반화되며, 더 복잡한 아키텍처로 개선 가능할 잠재력이 있음을 시사한다.