[논문 리뷰] Intention-Net: Integrating Planning and Deep Learning for Goal-Directed Autonomous Navigation

Wei Gao, David Hsu외 3명|arXiv (Cornell University)|2017. 10. 16.

Robotic Path Planning Algorithms참고 문헌 21인용 수 72

한 줄 요약

두 수준의 아키텍처가 거친 맵 기반의 고수준 경로 계획자와 저수준 의도-네 모션 컨트롤러를 학습에 의해 결합하여 목표 지향 내비게이션과 강건한 로컬 인지를 달성한다.

ABSTRACT

How can a delivery robot navigate reliably to a destination in a new office building, with minimal prior information? To tackle this challenge, this paper introduces a two-level hierarchical approach, which integrates model-free deep learning and model-based path planning. At the low level, a neural-network motion controller, called the intention-net, is trained end-to-end to provide robust local navigation. The intention-net maps images from a single monocular camera and "intentions" directly to robot controls. At the high level, a path planner uses a crude map, e.g., a 2-D floor plan, to compute a path from the robot's current location to the goal. The planned path provides intentions to the intention-net. Preliminary experiments suggest that the learned motion controller is robust against perceptual uncertainty and by integrating with a path planner, it generalizes effectively to new environments and goals.

연구 동기 및 목표

• 새로운 실내 환경에서 최소한의 사전 정보로 강건한 목표 지향 자율 내비게이션을 촉진한다.
• 모델 기반 계획과 모델 자유 학습을 결합한 계층적 아키텍처를 제안한다.
• 계획 의도와 지각 입력에 조건화된 로컬 모션 컨트롤러(intention-net)를 학습한다.
• 시뮬레이션과 실제 로봇 실험을 통해 보지 않은 환경과 목표에 대한 일반화를 시연한다.

제안 방법

• 거친 2-D 바닥 계획을 사용하는 고수준 경로 계획자와 학습된 로우레벨 의도-네 모션 컨트롤러를 갖는 두 수준 계층을 도입한다.
• 의도 표현을 정의한다: Discretized Local Move (DLM)과 네 가지 값으로 표현되거나 Local Path and Environment (LPE)로서 224x224 이미지로 표현된다.
• 의도-네 F를 (카메라 이미지, 의도)에서 로봇 제어(속도 v, 조향)로 엔드투엔드로 매핑하도록 imitation learning으로 학습한다.
• 시뮬레이션에서 전문가로서 다이나믹 윈도우 방식으로 데이터를 수집하고, 실제 로봇에서 인간 조이스틱 제어로 학습 데이터를 수집한다.
• 계획된 경로를 처리해 매 시간 간격마다 의도를 생성하고 의도-네의 닫힌 루프 실행과 재계획을 가능하게 한다.
• LPE의 경우 두 스트림 시아미 네트워크를 사용하거나 DLM의 경우 ResNet50 기반 융합을 사용해 지각 입력과 의도에서 제어를 추정한다.

실험 결과

연구 질문

• RQ1 거친 맵을 가진 고수준 계획자가 학습된 저수준 컨트롤러에 유용한 의도를 제공하여 목표 지향적 내비게이션을 달성할 수 있는가?
• RQ2 / 의도에 조건화된 신경 모션 컨트롤러가 지각 불확실성과 위치 추정 오차에 대한 강건성을 향상시키는가?
• RQ3 / 학습 중 보지 못한 새로운 환경과 목표에 대해 통합 시스템은 얼마나 잘 일반화되는가?
• RQ4 / 의도 표현으로서 DLM과 LPE의 비교 이점은 무엇인가?

주요 결과

• 거친 맵을 가진 두 수준 접근 방식은 보지 못한 환경에서도 목표 지향 내비게이션의 강건성을 제공한다.
• 일반적으로 LPE-Net이 DLM-Net보다 우수한 성능을 보이며, 특히 급한 회전과 새로운 환경에서 차이가 크다.
• 두 의도-네 변형 모두 다수의 과제에서 베이스라인(Path Tracker, Dynamic Window)보다 성공률, 개입 횟수, 시간, 매끄러움 면에서 우수하다.
• 의도 입력이 없는 비-의도 네트워크는 대부분의 과제에서 실패하며, 전역 가이드에 대한 의도의 중요성을 보여준다.
• 실제 로봇 실험에서 접근법이 움직이는 사람들, 유리문, 새로운 바닥에서도 일반화가 강하게 나타난 것을 확인되며, LPE-Net의 일반화가 특히 강하다.
• 로컬라이제이션 오차로 인해 실패가 발생할 수 있으며, 재계획은 도움이 되지만 불확실성에 더 강한 계획자면 더 robustness를 높일 수 있다.