[논문 리뷰] Fully Distributed Informative Planning for Environmental Learning with Multi-Robot Systems

Do-Hyun Jang, Jaehyun Yoo외 2명|arXiv (Cornell University)|2021. 12. 29.

Energy Efficient Wireless Sensor Networks인용 수 7

한 줄 요약

이 논문은 분산된 가우시안 프로세스 회귀와 분산 몬테카를로 트리 탐색을 사용하여 다중 로봇 환경 학습 및 정보성 경로 계획을 위한 완전히 분산되고 확장 가능한 프레임워크를 제안한다. 피어 투 피어 통신과 온라인 지ap 융합을 통해 중앙 서버 없이도 전역적 환경 추정과 효율적 탐색을 달성하며, 시뮬레이션과 실제 기상 데이터 검증을 통해 뛰어난 성능과 확장성을 입증한다.

ABSTRACT

This paper proposes a cooperative environmental learning algorithm working in a fully distributed manner. A multi-robot system is more effective for exploration tasks than a single robot, but it involves the following challenges: 1) online distributed learning of environmental map using multiple robots; 2) generation of safe and efficient exploration path based on the learned map; and 3) maintenance of the scalability with respect to the number of robots. To this end, we divide the entire process into two stages of environmental learning and path planning. Distributed algorithms are applied in each stage and combined through communication between adjacent robots. The environmental learning algorithm uses a distributed Gaussian process, and the path planning algorithm uses a distributed Monte Carlo tree search. As a result, we build a scalable system without the constraint on the number of robots. Simulation results demonstrate the performance and scalability of the proposed system. Moreover, a real-world-dataset-based simulation validates the utility of our algorithm in a more realistic scenario.

연구 동기 및 목표

• 중앙 서버에 의존하지 않고 다중 로봇 시스템에서 확장 가능하고 완전히 분산된 환경 학습 및 경로 계획을 가능하게 하기.
• 이동하는 로봇을 이용한 동적인 환경에서 온라인 분산 지도 추정의 과제를 해결하기.
• 분산된 결정 기반의 탐색 전략을 개발하여 재귀적 행동을 최소화하고, 분산된 결정 기반의 의사결정을 통해 충돌을 고려한 효율적인 탐색 전략을 확보하기.
• UAV 배치와 같이 통신 범위 제한과 간헐적인 연결성 조건에서도 시스템의 견고성을 확보하기.
• 실제 기상 데이터를 기반으로 한 합성 시뮬레이션과 실제 실험을 통해 실용적 관련성을 검증하기.

제안 방법

• 시스템은 두 단계로 구성된다: 카르누엔-뢰브 전개를 사용한 유한 차원 가우시안 프로세스 추정기를 통한 분산된 환경 학습.
• 각 로봇은 국지적 GP 추정치를 유지하고 평균 공감을 통해 이웃 로봇과 정보를 교환하여 전역 지도 추정치에 수렴한다.
• 경로 계획은 분산 몬테카를로 트리 탐색(MCTS)을 사용하며, 각 로봇은 국지적 정보와 지도 불확실성 추정치를 기반으로 독립적으로 행동 시퀀스를 탐색한다.
• MCTS는 정보 이득을 보상 함수로 사용하여 불확실성이 높은 영역으로 유도함으로써 지도 정확도를 극대화한다.
• 인접 로봇 간의 통신을 통해 환경 추정치의 동기화와 중앙 집중식 제어 없이도 탐색 경로의 조율이 가능하다.
• 프레임워크는 임의의 수의 로봇에 대해 확장 가능하도록 설계되었으며, 다양한 수의 에이전트와 통신 제약 조건 하에서 성능 평가가 이루어졌다.

실험 결과

연구 질문

• RQ1 완전히 분산된 다중 로봇 시스템이 중앙 서버 없이 정확하고 실시간으로 환경 지도 추정을 달성할 수 있는가?
• RQ2 분산된 가우시안 프로세스 회귀와 분산 MCTS의 통합이 탐색 효율성과 확장성에 어떻게 기여하는가?
• RQ3 제한된 통신 범위와 간헐적인 연결성 조건에서도 시스템의 성능 유지 수준은 어느 정도인가?
• RQ4 분산 시스템의 성능이 지도 정확도와 탐색 효율성 측면에서 중심화된 시스템과 독립적(통신하지 않는) 시스템에 비해 어떻게 비교되는가?
• RQ5 실제 데이터를 기반으로 제안된 프레임워크가 시간에 따라 변화하는 온도 필드와 같은 동적 환경 변화를 효과적으로 재구성할 수 있는가?

주요 결과

• 모든 에이전트에서 피어 투 피어 통신을 통해 국지적 추정치의 수렴을 확인함으로써, 분산 GP 추정기가 전역 환경 지도 추정치에 성공적으로 수렴하였다.
• 1.7시간의 운영 후, 실제 서울 기상 데이터를 기반으로 한 환경 재구성 결과는 조건이 동적으로 변화하는 상황에서도 진짜 온도 지도를 잘 따라갔다.
• 시스템은 확장성과 함께 성능을 보였다: 에이전트 수가 증가함에 따라 탐색 성능이 향상되었으며, 제한된 통신과 적은 탐색 반복 수에도 불구하고 분산 MCTS는 중심화된 시스템과 유사한 성능을 달성했다.
• 독립적(통신하지 않는) 시스템에 비해 분산 시스템이 뚜렷한 성능 향상을 보였으며, 국지적 통신을 통한 협업이 탐색 효율성을 높이고 재귀적 행동을 줄임을 입증했다.
• 시뮬레이션 결과는 탐색 깊이(T)와 MCTS 반복 수를 늘일수록 경로 계획 성능이 향상되었음을 확인하였으며, 더 깊은 탐색은 더 먼 최적 경로를 고려함을 의미한다.
• 간헐적인 연결성 조건에서도 시스템은 안정적인 지도 추정과 경로 계획을 유지하였으며, UAV가 일시적으로 연결이 끊겨도 일관된 성능을 보였다.