[논문 리뷰] Interleaving Optimization with Sampling-Based Motion Planning (IOS-MP): Combining Local Optimization with Global Exploration

Alan Kuntz, Chris Bowen외 1명|arXiv (Cornell University)|2016. 07. 21.

Robotic Path Planning Algorithms참고 문헌 19인용 수 4

한 줄 요약

이 논문은 샘플링 기반 운동 계획법을 사용한 전역 탐색과 증가적 최적화 기반의 국소 경로 최적화를 번갈아가며 수행하는 새로운 anytime 운동 계획 프레임워크인 Interleaved Optimization with Sampling-based Motion Planning (IOS-MP)를 제안한다. 이 방법은 PRM* 또는 BIT*와 같은 渐近적으로 최적인 샘플링 기반 계획법을 통해 전역 탐색을 수행하고, 확장된 라그랑주 승수 방법을 사용하여 국소 경로를 최적화한다. 두 단계 간의 정보 공유를 통해 최적화된 경로를 새로운 샘플링에 활용하고, 개선된 정점 정보를 다시 활용함으로써, 전역적으로 渐近적으로 최적이 보장되는 고품질의 국소 최적 해로의 수렴 속도를 높인다. 복잡한 고차원 환경에서 기존의 독립적인 샘플링 또는 최적화 방법보다 뚜렷이 뛰어난 성능을 발휘한다.

ABSTRACT

Computing globally optimal motion plans for a robot is challenging in part because it requires analyzing a robot's configuration space simultaneously from both a macroscopic viewpoint (i.e., considering paths in multiple homotopic classes) and a microscopic viewpoint (i.e., locally optimizing path quality). We introduce Interleaved Optimization with Sampling-based Motion Planning (IOS-MP), a new method that effectively combines global exploration and local optimization to quickly compute high quality motion plans. Our approach combines two paradigms: (1) asymptotically-optimal sampling-based motion planning, which is effective at global exploration but relatively slow at locally refining paths, and (2) optimization-based motion planning, which locally optimizes paths quickly but lacks a global view of the configuration space. IOS-MP iteratively alternates between global exploration and local optimization, sharing information between the two, to improve motion planning efficiency. We evaluate IOS-MP as it scales with respect to dimensionality and complexity, as well as demonstrate its effectiveness on a 7-DOF manipulator for tasks specified using goal configurations and workspace goal regions.

연구 동기 및 목표

• 로봇 운동 계획에서 전역 탐색과 국소 경로 품질 간의 균형을 맞추는 데 도전한다.
• 샘플링 기반 계획법의 한계(최적 경로 수렴 속도가 느림)와 최적화 기반 계획법의 한계(초기화에 민감하고 국소 최적점에 갇힘)를 극복한다.
• 두 접근법의 강점을 통합하기 위해 반복적이고 번갈아가는 프로세스와 정보 공유를 통해 프레임워크를 개발한다.
• 시간이 지남에 따라 점차 향상되는 국소 최적 해를 반환하는 anytime 운동 계획을 가능하게 하여 전역 최적성에 점차 수렴한다.

제안 방법

• 이 방법은 두 단계를 번갈아 수행한다: PRM* 또는 BIT*와 같은 渐近적으로 최적인 샘플링 기반 계획법을 사용한 전역 탐색과, 경로 제약 조건을 고려한 확장된 라그랑주 승수 방법을 통한 국소 경로 최적화.
• 각 반복에서 샘플링 기반 계획법은 로드맵을 확장하고, 다양한 호모토피 클래스에 속하는 충돌 없는 경로를 발견한다.
• 국소 최적화 단계에서는 지금까지 발견된 최상의 경로를 정밀화하여 경로 길이를 최소화하면서 운동학적 제약과 장애물 제약을 모두 준수한다.
• 양방향 정보 공유가 이루어진다: 최적화된 경로는 다시 로드맵에 추가되어 향후 샘플링의 질을 향상시키고, 최적화된 정점/모서리를 재사용하여 새로운 최적화 시도의 초기화에 활용된다.
• 이 프레임워크는 일반화 가능하며, 다른 최적화 알고리즘(SQP 등)과 장애물 표현 방식으로도 확장 가능하다.
• 목표 구성 또는 목표 영역 계획을 지원하기 위해, 동적으로 샘플된 목표 구성이 로드맵에 추가되고, 최적화 과정에서 거리 제약 조건이 강제된다.

실험 결과

연구 질문

• RQ1 샘플링 기반 전역 탐색과 국소 최적화를 번갈아 수행하는 것이 고차원 구성공간에서 운동 계획의 효율성과 해 품질을 향상시키는가?
• RQ2 샘플링 단계와 최적화 단계 간의 정보 공유가 독립적으로 실행할 경우와 비교해 수렴 속도와 경로 품질에 어떤 영향을 미치는가?
• RQ3 IOS-MP의 anytime 성격이 시간 제약 조건 하에서 전통적인 샘플링 전용 또는 최적화 전용 방법보다 더 뛰어난 성능을 발휘할 수 있는가?
• RQ4 복잡한 장애물(예: 사다리)에 의해 둘러싸인 비볼록이고 분리된 목표 영역을 다룰 때 IOS-MP는 얼마나 효과적인가?
• RQ5 국소 정밀화를 통해 급격한 향상이 이루어지는 동안에도 IOS-MP는 전역적으로 渐近적으로 최적이 보장되는가?

주요 결과

• 7-DOF 조작자 작업에서 IOS-MP (PRM*)와 IOS-MP (BIT*)는 단 몇 번의 반복 내에 샘플링 전용 대비 더 뛰어난 경로 품질을 달성했으며, 120초가 지난 후에도 여전히 승리했다.
• 최적화 단계는 불필요한 운동을 크게 줄였다: 시각적 비교 결과, 최적화된 경로는 원시적인 샘플링 기반 경로보다 훨씬 매끄럽고 짧았다.
• 클러터된 목표 영역 환경에서 Fetch 로봇을 사용한 시나리오에서, 경로 공유 기능이 있는 IOS-MP (PRM*)는 표준 PRM*와 경로 공유 없이 실행된 IOS-MP를 모두 압도했으며, 정보 재사용의 핵심적 역할을 입증했다.
• 최적화된 경로를 다시 로드맵에 통합함으로써, 더 나은 호모토피 클래스의 발견 속도가 빨라졌으며, 후속 반복에서 발견된 경로가 더 효율적이고 장애물을 더 효과적으로 피하는 것으로 확인되었다.
• 복잡한 환경에서 상당한 성능 향상을 달성했으며, 첫 번째 몇 번의 반복에서도 경로 품질 향상이 관찰되어 효율성과 anytime 행동을 입증했다.
• 다양한 환경 복잡도와 차원성에 걸쳐도 프레임워크는 강건성을 유지했으며, 전역 최적성 보장을 포기하지 않은 채 뛰어난 성능을 유지를 해냈다.