[논문 리뷰] Explicit-risk-aware Path Planning with Reward Maximization

Xuesu Xiao, Jan Dufek외 1명|arXiv (Cornell University)|2019. 03. 07.

Robotic Path Planning Algorithms참고 문헌 25인용 수 11

한 줄 요약

이 논문은 비구조적 또는 제한된 환경에서 보상 최대화(예: 최적의 센서 시점)와 위험 최소화를 균형 있게 조절하기 위해 전체 경로에 대한 운동 위험을 명시적으로 모델링하는 위험 인지 경로 계획자(경로 계획자)를 제안한다. 두 단계 알고리즘(정확 및 근사)을 도입하였으며, 터널링된 공중 로봇에서의 실험을 통해 고위험·고보상 경로를 피하고, 경로 비틀림도 최소화하고 터널링 접촉도 줄인 더 안전하고 유틸리티 최적화된 경로로의 전환을 통해 안전성 향상과 실제 시각 보조 품질 향상을 입증하였다.

ABSTRACT

This paper develops a path planner that minimizes risk (e.g. motion execution) while maximizing accumulated reward (e.g., quality of sensor viewpoint) motivated by visual assistance or tracking scenarios in unstructured or confined environments. In these scenarios, the robot should maintain the best viewpoint as it moves to the goal. However, in unstructured or confined environments, some paths may increase the risk of collision; therefore there is a tradeoff between risk and reward. Conventional state-dependent risk or probabilistic uncertainty modeling do not consider path-level risk or is difficult to acquire. This risk-reward planner explicitly represents risk as a function of motion plans, i.e., paths. Without manual assignment of the negative impact to the planner caused by risk, this planner takes in a pre-established viewpoint quality map and plans target location and path leading to it simultaneously, in order to maximize overall reward along the entire path while minimizing risk. Exact and approximate algorithms are presented, whose solution is further demonstrated on a physical tethered aerial vehicle. Other than the visual assistance problem, the proposed framework also provides a new planning paradigm to address minimum-risk planning under dynamical risk and absence of substructure optimality and to balance the trade-off between reward and risk.

연구 동기 및 목표

• 비구조적 또는 제한된 환경에서 자율 시각 보조를 위한 임무 보상과 운동 위험을 균형 있게 조절하는 문제를 해결하기 위해.
• 상태 수준의 위험 모델링을 넘어서 전체 운동 계획, 즉 비틀림과 터널링 접촉과 같은 경로 수준의 특징을 포함한 위험을 명시적으로 모델링하는 경로 계획자를 개발하기 위해.
• 누적 보상을 최대화하면서 위험을 최소화하는 경로를 자율적으로 선택할 수 있도록 하여 고위험·고보상 경로를 피하기 위해.
• 터널링된 공중 차량을 사용한 물리적 환경에서의 검증을 통해 실제 세계의 위험 및 보상 지표를 입증하기 위해.

제안 방법

• 전체 경로에 대한 위험을 모델링하는 새로운 명시적 위험 표현 방식을 제안하여, 전환 수와 장애물 근접도와 같은 경로 수준의 특징을 포함한다.
• 총 누적 보상에 대한 총 경로 위험의 비율로 정의된 경로 유틸리티 지표를 도입하여 보상과 위험 간의 트레이드오���을 직접 최적화할 수 있도록 한다.
• 하위구조 최적성 조건이 없는 문제에 적합한 동적 위험 평가 기반 수정된 다익스트라 알고리즘을 이용한 정확한 알고리즘을 개발한다.
• 먼저 고보상 상태로의 최소 위험 경로를 식별하고, 그 중에서 유틸리티(보상/위험 비율)가 가장 높은 경로를 선택하는 두 단계 근사 알고리즘을 제안한다.
• 경로 이력과 방향에 따라 변하는 비용을 처리하기 위해 표준 경로 탐색에 동적 및 방향성 구성 요소를 추가한다.
• 각 상태에서의 보상 양을 정량화하기 위해 시점 품질 지ap을 입력으로 사용하여 보상 인지 경로 선택을 가능하게 한다.

실험 결과

연구 질문

• RQ1 로봇 경로 계획에서 상태 수준이 아닌 전체 경로 수준에서 운동 위험을 어떻게 명시적으로 모델링할 수 있는가?
• RQ2 제한된 또는 비구조적인 환경 내 자율 시각 보조 작업에서 보상과 위험을 효과적으로 균형 조절하는 공식은 무엇인가?
• RQ3 유틸리티(보상/위험 비율)를 최적화하는 경로 계획자가 기존의 보상 최대화 또는 위험 최소화 계획자보다 실제 세계 시나리오에서 더 우수한 성능을 보일 수 있는가?
• RQ4 경로 수준의 위험, 예를 들어 비틀림과 터널링 접촉은 제한된 공간 내 공중 로봇의 안전성과 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 계획자는 장애물 사이의 좁은 통로가 필요한 고위험·고보상 경로를 우선순위를 보상이 아닌 유틸리티에 두어 피하는 데 성공하였다.
• 터널링된 UAV에서의 물리적 실험 결과, 계획된 경로(초록색)와 실제 실행된 경로(파랑색)가 장애물에서 안전한 거리를 유지하고 터널링 접촉을 최소화하여 경로 위험을 감소시켰다.
• 근사 알고리즘은 최소 위험 후보 경로 중에서 최적의 유틸리티를 가진 경로를 선택하여 시야 품질과 운동 안전성을 균형 잡았다.
• 로봇은 일관되고 고화질의 영상 캡처(그림 7 참조)를 통해 높은 시각 보조 품질을 달성하였으며, 동시에 상태 위험과 경로 위험을 낮게 유지하였다.
• 계획자는 3차원 공간에서 뛰어난 강건성을 보였으며, 실제 움직임 캡처 데이터를 통해 위치 정확도가 0.5mm 이하임을 확인하고 안정적인 경로 실행을 보였다.