[논문 리뷰] Graph Neural Networks for Decentralized Multi-Robot Path Planning

Qingbiao Li, Fernando Gama외 2명|arXiv (Cornell University)|2019. 12. 12.

Multimodal Machine Learning Applications참고 문헌 39인용 수 23

한 줄 요약

이 논문은 지역 관측 처리를 위한 합성곱 신경망(CNN)과 로봇 간 탈중앙화 통신을 위한 그래프 신경망(GNN)을 조합한 GNN 기반 프레임워크를 제안한다. 이는 효율적이고 확장 가능한 다중 로봇 경로 계획을 가능하게 한다. 최적의 중심집중형 계획자를 모방하도록 훈련된 모델은 거의 전문가 수준의 성능를 달성하며, 훈련 중에 보지 못한 팀 규모와 환경으로의 일반화 성능도 뛰어나, 이전의 탈중앙화 방법보다 성공률과 경로 효율성에서 뛰어나다.

ABSTRACT

Effective communication is key to successful, decentralized, multi-robot path planning. Yet, it is far from obvious what information is crucial to the task at hand, and how and when it must be shared among robots. To side-step these issues and move beyond hand-crafted heuristics, we propose a combined model that automatically synthesizes local communication and decision-making policies for robots navigating in constrained workspaces. Our architecture is composed of a convolutional neural network (CNN) that extracts adequate features from local observations, and a graph neural network (GNN) that communicates these features among robots. We train the model to imitate an expert algorithm, and use the resulting model online in decentralized planning involving only local communication and local observations. We evaluate our method in simulations {by navigating teams of robots to their destinations in 2D} cluttered workspaces. We measure the success rates and sum of costs over the planned paths. The results show a performance close to that of our expert algorithm, demonstrating the validity of our approach. In particular, we show our model's capability to generalize to previously unseen cases (involving larger environments and larger robot teams).

연구 동기 및 목표

• 제한된 통신 및 관측 범위 하에서 탈중앙화된 다중 로봇 경로 계획 문제를 해결하기 위해.
• 수동으로 설계된 히ュ리스틱 없이도 자동으로 지역 통신 및 의사결정 정책을 합성하는 기계학습 기반 접근법을 개발하기 위해.
• 제약 조건이 있는 혼잡한 환경에서 대규모 로봇 팀을 위한 확장 가능하고 실시간 경로 계획을 가능하게 하기 위해.
• 완전한 탈중앙화와 낮은 계산 오버헤드를 유지하면서도 중심집중형 최적 계획자 수준의 성능를 달성하기 위해.

제안 방법

• 합성곱 신경망(CNN)은 각 로봇의 주변 지역 관측에서 관련 특징을 추출한다.
• 그래프 신경망(GNN)은 지역 통신 토폴로지에 따라 이웃 로봇 간 특징을 집계함으로써 탈중앙화된 통신을 가능하게 한다.
• GNN은 훈련 중에 전체 상태 정보에 접근할 수 있는 최적의 중심집중형 계획자를 모방하도록 엔드 투 엔드로 훈련된다.
• 데이터셋 집약 전략은 어려운 케이스를 해결하기 위해 온라인 전문가를 활용하여 훈련 속도를 높이고 정책의 일반화 성능을 향상시킨다.
• 최종 정책는 오직 지역 관측과 즉각적인 이웃 로봇과의 통신만을 사용하여 온라인으로 배포되어 완전한 탈중앙화를 보장한다.
• 모델는 오랜 전문가가 최적의 경로를 제공하는 감독 하에 애니메이션 학습을 통해 훈련된다.

실험 결과

연구 질문

• RQ1 GNN 기반 아키텍처는 수동으로 설계된 히ュ리스틱에 의존하지 않고도 다중 로봇 경로 계획을 위한 효과적인 탈중앙화 통신 및 행동 정책를 학습할 수 있는가?
• RQ2 기본선대비로 학습된 탈중앙화 정책은 더 큰 로봇 팀과 예측하지 못한 환경으로의 일반화 성능가 얼마나 우수한가?
• RQ3 중심집중형 전문가로부터의 애니메이션 학습이 탈중앙화 정책을 전문가 성능 수준으로 일치시킬 수 있는 정도는 어느 정도인가?
• RQ4 훈련 중 온라인 전문가의 통합이 정책 학습 및 일반화에 뚜렷한 향상 효과를 미치는가?
• RQ5 실시간 탈중앙화 배포 환경에서 제안된 프레임워크의 계산 효율성과 확장성은 어떠한가?

주요 결과

• 제안된 GNN-CNN 모델은 2차원 혼잡한 환경에서 중심집중형 전문가 알고리즘의 성공률과 2% 이내로 근접한 성능를 달성했다.
• 훈련 세트에서 사용된 팀 규모보다 최대 6배 더 큰 팀 규모로도 효과적으로 일반화되었으며, 성능 저하가 뚜렷하지 않았다.
• 훈련 중에 보지 못한 환경과 팀 규모로도 테스트한 결과, 높은 성능를 유지했다.
• 훈련 중 온라인 전문가의 활용으로 성공률가 뚜렷이 향상되었으며, 특히 대규모 팀에서 두드러졌다.
• 추론 지연 시간은 1단계당 로봇당 0.0019초에 불과하여 실시간 배포가 가능했다.
• 특히 혼잡한 환경에서 성공률과 총 비용 측면에서 기존의 탈중앙화 기반 방법보다 뛰어난 성능를 보였다.