[논문 리뷰] HouseExpo: A Large-scale 2D Indoor Layout Dataset for Learning-based Algorithms on Mobile Robots

Tingguang Li, Danny Ho외 4명|arXiv (Cornell University)|2019. 03. 23.

Robotics and Sensor-Based Localization참고 문헌 24인용 수 8

한 줄 요약

이 논문은 35,126개의 바닥도 및 252,550개의 방을 포함하는 대규모 2차원 실내 레이아웃 데이터셋인 HouseExpo와, 모바일 로봇에서 딥 강화학습(DRL) 훈련을 가속화하기 위한 경량이며 Gym 호환성 있는 시뮬레이션 플랫폼인 PseudoSLAM을 소개한다. 이 프레임워크는 시뮬레이션에서 얻은 정책을 실제 작업으로 효과적으로 전이할 수 있게 하여, 최소한의 실제 환경에서의 보정을 통해 장애물 회피 및 자율 탐색에서 뛰어난 일반화 성능을 입증한다.

ABSTRACT

As one of the most promising areas, mobile robots draw much attention these years. Current work in this field is often evaluated in a few manually designed scenarios, due to the lack of a common experimental platform. Meanwhile, with the recent development of deep learning techniques, some researchers attempt to apply learning-based methods to mobile robot tasks, which requires a substantial amount of data. To satisfy the underlying demand, in this paper we build HouseExpo, a large-scale indoor layout dataset containing 35,126 2D floor plans including 252,550 rooms in total. Together we develop Pseudo-SLAM, a lightweight and efficient simulation platform to accelerate the data generation procedure, thereby speeding up the training process. In our experiments, we build models to tackle obstacle avoidance and autonomous exploration from a learning perspective in simulation as well as real-world experiments to verify the effectiveness of our simulator and dataset. All the data and codes are available online and we hope HouseExpo and Pseudo-SLAM can feed the need for data and benefits the whole community.

연구 동기 및 목표

• 학습 기반 모바일 로봇 알고리즘 훈련을 위한 대규모이며 다양한 2차원 실내 레이아웃 데이터셋의 부족 문제를 해결하기 위해.
• 기존 SLAM 기반 시뮬레이터의 계산 병목 현상을 해결하기 위해, 빠르고 경량인 시뮬레이션 플랫폼을 개발하기 위해.
• 세부 조정 없이도 시뮬레이션에서 학습된 정책을 실제 모바일 로봇 응용에 효과적으로 전이할 수 있도록 하기 위해.
• 위치적 및 구조적 정보가 자율 탐색 및 장애물 회피를 안내하는 데 어떻게 기여하는지 평가하기 위해.
• 연구의 가속화를 위해 공개 가능한 데이터셋과 시뮬레이션 플랫폼을 제공하기 위해.

제안 방법

• HouseExpo는 SUNCG 데이터셋에서 유래되었으며, 다양한 공간적 구조와 방 연결성을 가진 35,126개의 인간이 설계한 2차원 바닥도를 포함하도록 정제되었다.
• PseudoSLAM은 사전 로드된 HouseExpo 지도를 사용하여 2차원 환경에서 SLAM 및 로봇 주행을 모방하는 Gym 호환 시뮬레이션 플랫폼이다.
• 시뮬레이터는 로봇 주변의 국소 지도(상태 관측)와 탐색 진전 또는 장애물 회피에 기반한 보상을 생성하여 DRL 훈련을 가능하게 한다.
• 딥 강화학습 정책은 Proximal Policy Optimization(PPO)를 사용하여 시뮬레이션에서 훈련되며, 상태 입력은 국소 2차원 점유 격자이고, 행동은 이산적인 이동 및 회전 명령으로 정의된다.
• 학습된 정책은 시뮬레이션과 실제 환경의 TurtleBot에서 평가되어 제로샷 전이 성능를 분석한다.
• 탐색 과정에서 전역 레이아웃 정보를 활용하여, 국소 관측만 존재하는 상황에서도 탐색하지 않은 영역을 향해 에이전트를 유도한다.

실험 결과

연구 질문

• RQ1 대규모이며 다양한 2차원 실내 레이아웃 데이터셋은 학습 기반 모바일 로봇 정책의 일반화 성능를 향상시킬 수 있는가?
• RQ2 PseudoSLAM과 같은 경량 시뮬레이션 플랫폼은 기존의 SLAM 기반 시뮬레이터에 비해 DRL 훈련을 크게 가속화할 수 있는가?
• RQ3 세부 조정 없이도 시뮬레이션에서 학습된 정책이 실제 모바일 로봇 작업으로 효과적으로 전이될 수 있는가?
• RQ4 위치적 레이아웃 정보를 통합할 경우 자율 탐색 작업 성능는 어떻게 향상되는가?
• RQ5 바닥도의 공간적 구조와 연결성은 알려지지 않은 환경에서 효율적인 주행 및 탐색을 이끌 수 있는가?

주요 결과

• 장애물 회피 정책는 3개의 테스트 환경에서 단지 2회의 충돌만을 기록하며 안정적인 성능을 보이며, 복잡한 환경에서도 강건성과 일반화 능력을 입증했다.
• 경로 길이가 환경의 복잡성과 함께 증가하여, 로봇이 혼잡한 공간을 안전하게 주행하기 위해 행동을 적응시켰음을 나타냈다.
• 자율 탐색 과정에서 DRL 에이전트는 10,538개의 테스트 주택에서 무작위 정책보다 훨씬 더 많은 영역을 탐색했으며, 일관되게 베이스라인 성능을 초월했다.
• 매끄럽게 정제된 탐색 결과는 모든 주택 크기에서 무작위 정책보다 에이전트의 성능가 높았음을 보여주며, 공간적 구조를 효과적으로 활용했음을 시사했다.
• 시뮬레이션에서 학습된 정책는 세부 조정 없이 실제 환경의 TurtleBot에 성공적으로 전이되어 물리적 환경에서 효과적인 주행 및 탐색을 달성했다.
• 결과는 국소 관측만 존재하는 상황에서도 2차원 레이아웃의 위상 정보가 탐색을 안내할 수 있으며, 장기적 계획 수립에 기여함을 확인했다.