[논문 리뷰] Generalized Lazy Search for Robot Motion Planning: Interleaving Search and Edge Evaluation via Event-based Toggles

Aditya Mandalika, Sanjiban Choudhury외 2명|arXiv (Cornell University)|2019. 04. 04.

Robotic Path Planning Algorithms인용 수 15

한 줄 요약

이 논문은 일반화된 게으른 탐색(Generic Lazy Search, GLS)을 소개한다. GLS는 이벤트 기반 토글을 사용해 탐색과 간선 평가를 번갈아 수행함으로써 정점 재결합과 간선 평가 간의 계산 자원을 균형 있게 배분한다. GLS는 학습된 사전 지식에 기반해 간선 평가를 지능적으로 유도함으로써 전체 계획 시간을 줄이며, 특히 혼잡한 환경에서 LazySP와 LRA*를 능가한다. 시험된 시나리오에서 최대 35% 빠른 계획을 달성한다.

ABSTRACT

Lazy search algorithms can efficiently solve problems where edge evaluation is the bottleneck in computation, as is the case for robotic motion planning. The optimal algorithm in this class, LazySP, lazily restricts edge evaluation to only the shortest path. Doing so comes at the expense of search effort, i.e., LazySP must recompute the search tree every time an edge is found to be invalid. This becomes prohibitively expensive when dealing with large graphs or highly cluttered environments. Our key insight is the need to balance both edge evaluation and search effort to minimize the total planning time. Our contribution is two-fold. First, we propose a framework, Generalized Lazy Search (GLS), that seamlessly toggles between search and evaluation to prevent wasted efforts. We show that for a choice of toggle, GLS is provably more efficient than LazySP. Second, we leverage prior experience of edge probabilities to derive GLS policies that minimize expected planning time. We show that GLS equipped with such priors significantly outperforms competitive baselines for many simulated environments in R2, SE(2) and 7-DoF manipulation.

연구 동기 및 목표

• 기존의 게으른 탐색 알고리즘들이 로봇 운동 계획에서 과도한 정점 재결합 또는 간선 평가로 인해 비효율적인 문제를 해결하기 위해.
• 총 계획 시간을 최소화하기 위해 탐색 노력과 간선 평가 간의 유연한 상호 교환을 가능하게 하는 프레임워크를 개발하기 위해.
• 간선 유효성 확률에 대한 사전 지식을 활용해 기대 계획 시간을 최소화하는 정책을 도출하기 위해.
• 학습된 사전 지식을 갖춘 GLS가 다양한 운동 계획 도메인에서 최신 기술 수준의 기준보다 뚜렷이 뛰어나게 성능을 발휘함을 입증하기 위해.

제안 방법

• GLS는 두 가지 핵심 구성 요소를 도입한다: 탐색에서 평가로의 전환을 유도하는 '이벤트(Event)'와 최단 부분경로상의 어떤 간선을 평가할지 선택하는 '선택기(Selector)'이다.
• 프레임워크는 게으른 최단경로 트리를 유지하며, 이벤트 조건이 충족될 때만 간선 평가를 수행함으로써 탐색 트리가 일관성 있고 최적임을 보장한다.
• 다양한 이벤트와 선택기의 조합은 LazySP, LWA*, LRA*와 같은 기존 알고리즘을 복원할 수 있어 기존 방법들을 통합적으로 분석할 수 있다.
• 논문은 간선 사전 지식을 사용해 기대 계획 시간을 최소화하는 최적의 이벤트 및 선택기 정책을 유도하였으며, LazySP에 비해 성능 향상에 이론적 보장을 제공한다.
• FailFast 선택기는 부분경로의 가장 약한 고리(약한 연결)를 확인함으로써 비가능한 경로를 조기에 거부함으로써 재결합 오버헤드를 줄이는 데 기여한다.
• 부분경로 존재성 기반 이벤트는 간선 최적성(edge-optimality)을 입증하였으며, Theorem 4.3에서 LazySP보다 재결합 횟수가 적다는 것이 증명되었다.

실험 결과

연구 질문

• RQ1 총 계획 시간을 최소화하기 위해 탐색 노력과 간선 평가 간의 동적 균형을 맞출 수 있는 일반화된 게으른 탐색 프레임워크를 설계할 수 있는가?
• RQ2 이벤트 기반 토글을 어떻게 활용하면 LazySP와 같은 기존 게으른 탐색 알고리즘보다 증명 가능한 성능 향상을 달성할 수 있는가?
• RQ3 간선 유효성 확률에 대한 사전 지식이 있을 때, 이벤트와 선택기의 최적 정책은 무엇인가?
• RQ4 학습된 사전 지식을 갖춘 GLS는 고차원적이고 혼잡한 환경에서 경쟁 기준 대비 계획 시간을 크게 줄일 수 있는가?

주요 결과

• SE(2)에서 피아노 이동 문제에 대해 GLS는 SubpathExistence 이벤트와 FailFast 선택기를 사용해 LazySP 대비 총 계획 시간을 최대 35% 감소시켰다.
• 7-DoF 조작 작업에서 GLS는 (SubpathExistence, FailFast) 조합으로 평균 계획 시간 1.64초를 달성했으며, 이는 LazySP(2.02초)와 LRA*(2.77초)를 모두 능가하는 성능이다.
• SubpathExistence 이벤트는 간선 최적성과 함께 LazySP보다 재결합 횟수가 적다는 것이 Theorem 4.3에서 입증되었다.
• 고밀도 장애물 환경에서 GLS의 계획 시간은 그래프 크기가 증가함에 따라 포화 상태에 도달하지만, LazySP의 경우 시간이 선형적으로 증가하므로 더 뛰어난 확장성(스케일러빌리티)을 보였다.
• 복잡한 시나리오에서 FailFast 선택기는 LazySP 대비 재결합 시간을 80% 이상 감소시켰으며, 간선 평가 비용은 다소 증가할 뿐이었다.
• 그림 9와 10의 시각화 결과는 GLS가 LazySP에 비해 정점 재결합 수(예: 첫 번째 반복에서 1,235 대 12,495)와 간선 평가 수(171 대 63)를 극적으로 줄임을 확인한다.