[논문 리뷰] Graph Neural Networks for Motion Planning

Arbaaz Khan, Alejandro Ribeiro외 2명|arXiv (Cornell University)|2020. 06. 11.

Robotic Path Planning Algorithms참고 문헌 22인용 수 15

한 줄 요약

이 논문은 구성공간의 위상 구조를 순열 불변 인코딩을 통해 활용함으로써 동작 계획을 향상시키기 위해 그래프 신경망(GNNs)을 제안한다. GNNs는 구성공간 위상의 특성에 따라 비순서적(Permutation-invariant)으로 노드를 인식하고, 적응형 샘플링 분포를 학습함으로써 이산적(A*) 및 샘플링 기반(RRT) 계획기의 성능을 향상시킨다. 2D 및 6-DoF 로봇 암, 펜듈럼 작업을 포함한 저차원 및 고차원 문제에서 경로 품질과 샘플 효율성 측면에서 CNN, FCN, CVAE보다 뛰어난 성능을 보였다.

ABSTRACT

This paper investigates the feasibility of using Graph Neural Networks (GNNs) for classical motion planning problems. We propose guiding both continuous and discrete planning algorithms using GNNs' ability to robustly encode the topology of the planning space using a property called permutation invariance. We present two techniques, GNNs over dense fixed graphs for low-dimensional problems and sampling-based GNNs for high-dimensional problems. We examine the ability of a GNN to tackle planning problems such as identifying critical nodes or learning the sampling distribution in Rapidly-exploring Random Trees (RRT). Experiments with critical sampling, a pendulum and a six DoF robot arm show GNNs improve on traditional analytic methods as well as learning approaches using fully-connected or convolutional neural networks.

연구 동기 및 목표

• 기존 이산화 방법이 실패하고 샘플링 효율성이 떨어지는 고차원 동작 계획 문제에 대응한다.
• 구성공간의 비정규적인 위상적 구조를 포착하는 데 한계가 있는 CNN 및 FCN의 문제점을 해결한다.
• GNN의 순열 불변성(Permutation invariance)을 활용해 미리 보지 못한 환경으로의 일반화를 도모하고 계획기의 강건성을 향상시킨다.
• RRT를 더 빨리 목표 영역으로 유도하고 더 적은 샘플로 도달할 수 있도록 하는 GNN 기반 샘플링 분포를 개발한다.
• 비판적 샘플 탐지 및 고차원 계획에서 기존 딥러닝 기반 모델들보다 GNN의 우월성을 입증한다.

제안 방법

• 낮은 차원의 구성공간 위상 구조를 인코딩하고 A*-기반 계획에서 핵심 노드를 식별하기 위해 고정된 밀도 그래프 위에 GNN을 적용한다.
• GNN을 훈련시켜 구성공간의 그래프 구조와 노드 특성에 기반한 샘플링 분포를 학습함으로써 RRT의 다음 최적 노드를 예측한다.
• 노드 특성을 시작 위치와 목표 위치에 대한 상대적 거리로 정의한다: $\mathbf{x}_n = [x_{\text{init}} - x_n, x_{\text{goal}} - x_n]$.
• RRT의 오프라인 롤아웃을 이용해 GNN 기반 샘플러를 엔드 투 엔드로 훈련하며, 데이터 $\{\mathcal{G}, \mathbf{x}, \mathbf{y}\}$ 를 수집한다. 여기서 $\mathbf{y}$ 는 경로상의 다음 노드이다.
• 훈련된 GNN 샘플러를 RRT/BiRRT에 온라인으로 구현하여 그래프를 동적으로 갱신하고 현재 위상 구조에 기반해 다음 노드를 재예측한다.
• 비판적 샘플 탐지 및 샘플링 효율성 측면에서 CVAE, GNN-CVAE, FCN 기반 모델들과 GNN을 비교한다.

실험 결과

연구 질문

• RQ1 GNN은 구성공간의 정적이고 밀도 높은 그래프 표현에서 핵심 노드를 효과적으로 식별할 수 있는가? 이는 CNN 및 CVAE보다 우월한가?
• RQ2 GNN은 균일 샘플링보다 목표에 더 빨리 도달하고 더 적은 노드로 도달할 수 있도록 하는 샘플링 분포를 학습할 수 있는가?
• RQ3 GNN의 순열 불변성은 CNN 및 FCN보다 더 나은 일반화 능력을 제공하는가? 특히 미리 보지 못한 환경에 대해?
• RQ4 6-DoF 로봇 암과 같은 고차원 문제, 특히 운동역학 제약이 있는 문제에서 GNN 기반 샘플러는 어떻게 성능을 발휘하는가?
• RQ5 GNN 기반 모델은 CVAE와 같은 더 복잡한 생성 모델보다 계획 효율성과 샘플 사용 측면에서 뛰어나게 성능을 발휘하는가?

주요 결과

• 펜듈럼 작업에서 GNN은 RRT의 전개된 노드 수를 크게 감소시켰다. 경로 길이는 균일 샘플링과 유사했지만 전개 수가 훨씬 적었다.
• 6-DoF 로봇 암 작업에서 GNN 기반 샘플러는 기존의 바이레귤레이티드 RRT(BiRRT) 및 다른 기반 모델들보다 전개된 노드 수와 충돌 검사 횟수를 감소시켰다.
• 낮은 차원의 공간에서 A*-기반 계획에서 비판적 샘플을 식별하는 데서 GNN-CVAE가 CVAE 및 FCN 기반 모델을 모두 압도적으로 뛰어났다.
• BiRRT에서 GNN 샘플러는 목표 쪽으로 나무 성장을 유도함으로써 복잡한 환경, 특히 좁은 통로가 있는 환경에서도 더 빠른 수렴을 달성했다.
• GNN은 순열 불변성에 기반한 인덕티브 바이어스 덕분에 CNN 및 FCN보다 더 나은 일반화 능력을 보였으며, 다양한 환경으로의 전이 능력을 확보했다.
• GNN 기반 샘플러는 장애물 구성이 달라져도 성능을 유지하여 강건성과 전이 가능성(Transferability)을 입증했다.