[논문 리뷰] Generating Robust Supervision for Learning-Based Visual Navigation Using Hamilton-Jacobi Reachability

Anjian Li, Somil Bansal외 4명|arXiv (Cornell University)|2019. 12. 20.

Robotics and Sensor-Based Localization참고 문헌 29인용 수 7

한 줄 요약

이 논문은 CNN 예측 오차를 로봇 동역학의 교란으로 모델링하여 기계학습 기반 시각 항법을 위한 강건한 지도를 생성하기 위해 해밀턴-자코비 도달 가능성 기반 방법을 제안한다. 최악의 교란 조건 하에서 정적 HJ PDE를 풀어 목표 도착 시간과 충돌 시간을 계산함으로써, 안전하고 덜 탐욕스러운 경로로 이어지는 비용 맵을 생성한다. 이는 재훈련 없이 좁고 혼잡한 환경에서 성공률을 크게 향상시킨다.

ABSTRACT

In Bansal et al. (2019), a novel visual navigation framework that combines learning-based and model-based approaches has been proposed. Specifically, a Convolutional Neural Network (CNN) predicts a waypoint that is used by the dynamics model for planning and tracking a trajectory to the waypoint. However, the CNN inevitably makes prediction errors which often lead to collisions in cluttered and tight spaces. In this paper, we present a novel Hamilton-Jacobi (HJ) reachability-based method to generate supervision for the CNN for waypoint prediction in an unseen environment. By modeling CNN prediction error as "disturbances" in robot's dynamics, our generated waypoints are robust to these disturbances, and consequently to the prediction errors. Moreover, using globally optimal HJ reachability analysis leads to predicting waypoints that are time-efficient and avoid greedy behavior. Through simulations and hardware experiments, we demonstrate the advantages of the proposed approach on navigating through cluttered, narrow indoor environments.

연구 동기 및 목표

• 학습 기반 시각 항법에서 CNN 예측 오차가 좁고 혼잡한 환경에서 충돌을 유발하는 데 기인하는 임계 과제를 해결하기 위해.
• 재훈련 없이도 미리 보지 못한 실제 환경에서 종단간 시각 항법 정책의 일반화 및 강건성을 향상시키기 위해.
• 경험 기반의 웨이포인트 지도를 원칙적인 도달 가능성 기반 비용 함수로 대체하여 최악의 교란 조건을 고려하기 위해.
• 보수적이지만 최적인 웨이포인트를 생성함으로써 좁은 문이나 복도를 안전하고 효율적으로 통과할 수 있도록 하기 위해.
• 신경망 예측의 불확실성을 학습 데이터 생성 과정에 사전에 통합하여 초기 단계부터 강건성을 향상시키기 위해.

제안 방법

• 로봇의 연속 시간 동역학에 대해 CNN 예측 오차를 유한한 교란으로 간주하고, 이를 적대적 편향으로 간주한다.
• 최악의 교란 조건 하에서 목표 도착 시간(TTR)과 충돌 시간(TTC)을 계산하기 위해 정적 해밀턴-자코비(HJ) 편미분방정식(PDE)을 수립한다.
• 초기 상태와 교란 한계가 주어졌을 때, 목표에 도달하거나 장애물과 충돌하는 데 필요한 최소 시간을 나타내는 값 함수를 수치적으로 해석한다.
• TTR과 TTC를 조합하여 모든 가능한 상태와 교란 조합을 고려한 웨이포인트 품질을 정량화하는 복합 비용 맵을 생성한다.
• 해당 비용 맵을 사용해 CNN이 예측 오차에 강건하고 안전하며 시간 효율적인 경로로 이어지는 웨이포인트를 예측하도록 학습시키는 데 지도로 활용한다.
• 학습된 CNN을 모델 예측 제어(MPC) 프레임워크와 통합하여 로봇의 동역학 모델을 사용해 예측된 웨이포인트를 추적한다.

실험 결과

연구 질문

• RQ1 미리 보지 못한 환경에서 CNN 예측 오차에 강건한 시각 항법을 위한 학습 지도를 어떻게 생성할 수 있는가?
• RQ2 HJ 도달 가능성 분석이 경험 기반 방법과 비교해 덜 탐욕스럽고 더 강건한 항법을 이끌 수 있는가?
• RQ3 CNN 오차를 교란으로 모델링함으로써 좁고 혼잡한 통로 통과 성공률이 얼마나 향상되는가?
• RQ4 도달 가능성 기반 지도로 학습된 CNN이 추가 보정 없이 실제 하드웨어에 일반화될 수 있는가?
• RQ5 HJ 도달 가능성 분석의 보수성은 동적 환경에서 신경망 예측의 불확실성을 어떻게 보완하는가?

주요 결과

• ReachabilityCost CNN은 시뮬레이션과 실제 하드웨어 실험 모두에서 좁은 문과 복도 통과 시 100% 성공률를 기록했으며, HeuristicsCost 기준선은 모든 시나리오에서 실패했다.
• Turtlebot 2에서의 하드웨어 실험 결과, ReachabilityCost CNN은 좁은 문과 혼잡한 복도를 통과했고, 반면 HeuristicsCost CNN은 전속도로 벽에 충돌했다.
• ReachabilityCost CNN이 생성한 경로는 훨씬 더 매끄럽고 덜 탐욕스러웠으며, 장애물 근처에서 위험한 동작을 피했다.
• 이 방법은 종단간 학습된 CNN이 추가 보정 없이 실제 환경으로 일반화될 수 있도록 했으며, 강력한 제로샷 전이 성능을 입증했다.
• HJ 도달 가능성 기반 비용 맵은 더 보수적이지만 시간 효율적인 웨이포인트 선택을 이끌어내어 좁은 공간에서 충돌 위험을 줄였다.
• 장애물 패딩이 있는 문을 통과하는 등 정밀 항법이 필요한 복잡한 시나리오에서, 기존 E2E 학습 기반 방법에 비해 본 연구의 접근 방식이 뛰어난 성능을 보였다.