[논문 리뷰] HyP-DESPOT: A Hybrid Parallel Algorithm for Online Planning under Uncertainty

Panpan Cai, Yuanfu Luo외 2명|arXiv (Cornell University)|2018. 02. 17.

Robotic Path Planning Algorithms인용 수 9

한 줄 요약

HyP-DESPOT은 복잡하고 불확실한 로봇 작업에서 근접 실시간 성능을 달성하기 위해 다중 코어 CPU 트리 탐색과 GPU 가속 Monte Carlo 시뮬레이션을 조합한 하이브리드 병렬 온라인 계획 알고리즘입니다. 이 알고리즘은 DESPOT을 최대 수백 배 빠르게 하여 다중 수준의 CPU-GPU 병렬 처리를 통해 큰 상태 공간, 행동 공간, 관측 공간에서도 고품질의 결정 부여를 가능하게 합니다.

ABSTRACT

Planning under uncertainty is critical for robust robot performance in uncertain, dynamic environments, but it incurs high computational cost. State-of-the-art online search algorithms, such as DESPOT, have vastly improved the computational efficiency of planning under uncertainty and made it a valuable tool for robotics in practice. This work takes one step further by leveraging both CPU and GPU parallelization in order to achieve near real-time online planning performance for complex tasks with large state, action, and observation spaces. Specifically, we propose Hybrid Parallel DESPOT (HyP-DESPOT), a massively parallel online planning algorithm that integrates CPU and GPU parallelism in a multi-level scheme. It performs parallel DESPOT tree search by simultaneously traversing multiple independent paths using multi-core CPUs and performs parallel Monte-Carlo simulations at the leaf nodes of the search tree using GPUs. Experimental results show that HyP-DESPOT speeds up online planning by up to several hundred times, compared with the original DESPOT algorithm, in several challenging robotic tasks in simulation.

연구 동기 및 목표

• 복잡한 로봇 환경에서 큰 상태 공간, 행동 공간, 관측 공간을 가진 불확실성 하의 온라인 계획의 높은 계산 비용을 해결하기 위해.
• DESPOT의 확장성 한계를 다중 수준 프레임워크에서 CPU 및 GPU 병렬 처리를 통합함으로써 극복하기 위해.
• 동적인 부분 관측 환경에서 온라인 계획의 근접 실시간 성능을 가능하게 하기 위해.
• 시스템 동역학 및 관측 모델의 세밀한 병렬 처리를 활용하여 Monte Carlo 시뮬레이션을 추가로 가속화하기 위해.
• 대규모 로봇 계획 작업에서 뚜렷한 속도 향상과 함께 개선된 해법 품질을 입증하기 위해.

제안 방법

• HyP-DESPOT은 다수의 CPU 스레드를 사용하여 병렬 belief 트리 탐색을 수행하며, 각 스레드는 상호 간섭을 최소화하기 위해 독립적인 경로를 탐색합니다.
• 이 알고리즘은 belief 트리의 리프 노드에서 GPU 가속을 활용하여 대규모 병렬 Monte Carlo 시뮬레이션을 수행하여 고처리량 시나리오 평가를 가능하게 합니다.
• 알고리즘은 다중 수준 병렬 처리를 통합합니다: CPU 수준의 경로 탐색과 GPU 수준의 시뮬레이션을 행동, 시나리오, 단계 수준에서 수행합니다.
• 복잡한 시스템 모델(예: 다중 에이전트 또는 다중 센서 동역학)을 분해하여 시뮬레이션 단계 내에서 세밀한 병렬 처리를 추출합니다.
• DESPOT과 유사하게 시나리오 샘플링을 통한 희소 belief 트리 구축을 사용하지만, 하드웨어 인식 병렬 처리를 통해 트리 탐색 및 시뮬레이션 단계를 모두 가속화합니다.
• 실제 구현에서는 이중 수준 제어 아키텍처를 사용합니다: 경로 계획을 위한 하이브리드 A*와 불확실성 하에서의 속도 제어를 위한 HyP-DESPOT을 통합합니다.

실험 결과

연구 질문

• RQ1 CPU-GPU 하이브리드 병렬 처리가 불확실성 하의 온라인 계획 계산 비용을 뚜렷이 감소시킬 수 있는가?
• RQ2 CPU에서 트리 탐색, GPU에서 시뮬레이션을 수행하는 다중 수준 병렬 처리가 순차적 DESPOT에 비해 성능을 어떻게 향상시키는가?
• RQ3 시스템 동역학 및 관측 모델의 세밀한 병렬 처리가 시뮬레이션 처리량을 얼마나 향상시킬 수 있는가?
• RQ4 HyP-DESPOT은 상태 공간, 행동 공간, 관측 공간 크기가 증가함에 따라 어떻게 확장되는가?
• RQ5 HyP-DESPOT은 자율 주행과 같은 실제 로봇 응용 분야에서 근접 실시간 성능을 달성할 수 있는가?

주요 결과

• HyP-DESPOT은 내비게이션 및 다중 에이전트 작업을 포함한 시뮬레이션 벤치마크에서 원래 DESPOT 알고리즘 대비 최대 300배의 속도 향상을 달성했습니다.
• 보행자들이 있는 자율 주행 환경에서 HyP-DESPOT은 최대 0.3초의 계획 시간으로 약 3Hz의 실시간 재계획이 가능하여 안전하고 부드러운 주행을 보장했습니다.
• 환경에 20명의 보행자가 있을 경우, HyP-DESPOT은 GPU-DESPOT 대비 2.5배 빠른 성능을 보였고, DESPOT에 비해 상당히 향상된 해법 품질을 확보했습니다.
• 다중 에이전트 로크 샘플 작업에서, 행동 공간 크기가 625로 증가함에 따라 HyP-DESPOT은 DESPOT을 초월하는 해법 품질을 보였습니다.
• 계획 시간을 0.25초로 고정했을 때, HyP-DESPOT은 DESPOT이 최대 10초의 계획 시간을 사용할 때조차도 성능을 맞추거나 초월했습니다.
• DESPOT의 계획 시간이 10초를 초과해 증가함에 따라 HyP-DESPOT과 DESPOT 간 성능 격차가 점진적으로 줄어들기만 하는 것으로 나타나, HyP-DESPOT의 뛰어난 확장성 잠재력을 입증했습니다.