[논문 리뷰] Interactive Gibson Benchmark: A Benchmark for Interactive Navigation in Cluttered Environments

Fei Xia, William Shen외 7명|arXiv (Cornell University)|2019. 10. 30.

Robot Manipulation and Learning참고 문헌 42인용 수 6

한 줄 요약

이 논문은 혼잡한 실내 환경에서의 상호작용 탐색을 훈련하고 평가하기 위한 새로운 벤치마크인 Interactive Gibson Benchmark를 소개한다. 이는 고해상도 시뮬레이션 환경과 물리적 동역학, 그리고 탐색 효율성과 물체 상호작용을 평가하기 위한 새로운 메트릭을 결합한다. 학습 기반 베이스라인을 제시하며, 경로 효율성과 환경 교란 사이의 상충 관계를 드러낸다.

ABSTRACT

We present Interactive Gibson Benchmark, the first comprehensive benchmark for training and evaluating Interactive Navigation: robot navigation strategies where physical interaction with objects is allowed and even encouraged to accomplish a task. For example, the robot can move objects if needed in order to clear a path leading to the goal location. Our benchmark comprises two novel elements: 1) a new experimental setup, the Interactive Gibson Environment, which simulates high fidelity visuals of indoor scenes, and high fidelity physical dynamics of the robot and common objects found in these scenes; 2) a set of Interactive Navigation metrics which allows one to study the interplay between navigation and physical interaction. We present and evaluate multiple learning-based baselines in Interactive Gibson, and provide insights into regimes of navigation with different trade-offs between navigation path efficiency and disturbance of surrounding objects. We make our benchmark publicly available(https://sites.google.com/view/interactivegibsonenv) and encourage researchers from all disciplines in robotics (e.g. planning, learning, control) to propose, evaluate, and compare their Interactive Navigation solutions in Interactive Gibson.

연구 동기 및 목표

• 로봇이 물리적으로 물체와 상호작용하여 탐색 목표를 달성할 수 있도록 하는 종합적인 벤치마크의 부족을 해결하기 위해.
• 현실적인 실내 환경을 정확한 시각적 및 물리적 동역학으로 모델링하는 고해상도 시뮬레이션 환경을 개발하기 위해.
• 탐색 성능과 물체 조작 간의 상호작용을 정량화하는 메트릭 세트를 설계하기 위해.
• 이 새로운 벤치마크에서 학습 기반 방법을 평가하고, 경로 효율성과 환경 교란 사이의 상충 관계를 분석하기 위해.
• 다양한 로봇 공학 분야에서 상호작용 탐색 솔루션의 표준화된 비교와 발전을 가능하게 하기 위해 공개 플랫폼을 제공하기 위해.

제안 방법

• Interactive Gibson 환경는 고해상도 시각과 현실적인 물리 동역학을 갖춘 세부적인 실내 환경을 시뮬레이션하여 로봇과 일반 가정용 물체를 지원한다.
• 벤치마크는 에이전트가 목표 위치에 도달해야 하는 탐색 작업을 통합하며, 경로를 확보하기 위해 물체를 옮기거나 재배치할 수 있는 선택지를 제공한다.
• 경로 길이와 같은 탐색 효율성과 이동한 물체 수, 물체 이동 거리와 같은 상호작용 영향을 평가하기 위한 메트릭 세트를 도입한다.
• 모의 학습 및 강화 학습 접근 방식을 사용하여 환경 내에서 학습 기반 베이스라인을 훈련하고 평가한다.
• 최소한의 물체 교란을 우선시하거나 최적의 경로 효율성을 우선시하는 다양한 탐색 전략을 지원한다.
• 재현 가능성을 높이고 공동 연구자들이 상호작용 탐색 방법을 평가할 수 있도록 플랫폼을 공개적으로 배포한다.

실험 결과

연구 질문

• RQ1 혼잡한 환경에서 다양한 학습 기반 탐색 정책은 경로 효율성과 물체 교란 측면에서 어떻게 성능을 보이는가?
• RQ2 경로 길이를 최소화하고 주변 환경의 교란을 최소화하는 데서 어떤 상충 관계가 존재하는가?
• RQ3 물체와의 물리적 상호작용을 통해 얼마나 높은 수준의 탐색 성공률을 달성할 수 있는가?
• RQ4 다양한 탐색 전략은 탐색, 경로 계획, 물체 조작을 어떻게 균형 잡는가?
• RQ5 물리적 상호작용이 탐색에 필요할 경우 현재의 학습 기반 방법의 한계는 무엇인가?

주요 결과

• 학습 기반 베이스라인은 막혀 있는 경로를 청소하기 위해 물체 조작을 활용함으로써 탐색 성공률을 향상시킨다.
• 최소한의 물체 교란을 우선시하는 정책은 더 긴 탐색 경로를 유도함으로써 효율성과 환경 보존 사이의 명확한 상충 관계를 보여준다.
• 벤치마크는 매우 혼잡한 환경에서 물체 재배치가 탐색 성능을 크게 향상시킨다는 점을 드러낸다.
• 다양한 훈련 철학(예: 모방 학습 대비 강화 학습)은 서로 다른 상호작용 패턴과 경로 효율성 결과를 초래한다.
• 제안된 메트릭은 상호작용 탐색의 복잡성을 효과적으로 포착하여 에이전트 행동 간의 세밀한 비교를 가능하게 한다.
• 벤치마크의 공개 배포로 인해 표준화된 평가가 가능해지고 로봇 공학 연구 공동체 전반에서 혁신이 촉진된다.