[논문 리뷰] iPlanner: Imperative Path Planning

Fan Yang, Chen Wang외 2명|arXiv (Cornell University)|2023. 02. 22.

Robotic Path Planning Algorithms인용 수 2

한 줄 요약

이 논문은 깊이 관측값에서 직접 정책을 훈련시키기 위해 가속 가능한 비용 지도와 이중 최적화를 사용하는 종단간 지배적 학습(IL) 프레임워크인 iPlanner을 제안한다. 이 방법은 시범 없이도 4배 빠른 계획 수립을 달성하고, 예측할 수 없는 환경에서 SPL을 26–87% 향상시켜 뛰어난 효율성과 일반화 능력을 입증한다.

ABSTRACT

The problem of path planning has been studied for years. Classic planning pipelines, including perception, mapping, and path searching, can result in latency and compounding errors between modules. While recent studies have demonstrated the effectiveness of end-to-end learning methods in achieving high planning efficiency, these methods often struggle to match the generalization abilities of classic approaches in handling different environments. Moreover, end-to-end training of policies often requires a large number of labeled data or training iterations to reach convergence. In this paper, we present a novel Imperative Learning (IL) approach. This approach leverages a differentiable cost map to provide implicit supervision during policy training, eliminating the need for demonstrations or labeled trajectories. Furthermore, the policy training adopts a Bi-Level Optimization (BLO) process, which combines network update and metric-based trajectory optimization, to generate a smooth and collision-free path toward the goal based on a single depth measurement. The proposed method allows task-level costs of predicted trajectories to be backpropagated through all components to update the network through direct gradient descent. In our experiments, the method demonstrates around 4x faster planning than the classic approach and robustness against localization noise. Additionally, the IL approach enables the planner to generalize to various unseen environments, resulting in an overall 26-87% improvement in SPL performance compared to baseline learning methods.

연구 동기 및 목표

• 순차적 모듈 처리로 인한 지연과 오류 누적 문제로 인해 제한되는 전통적 모듈식 계획 파이프라인의 한계를 해결한다.
• 로봇 경로 계획에서 종단간 강화 학습 및 지도 학습의 데이터 및 샘플 효율성 문제를 극복한다.
• 라벨링된 궤적 또는 시범이 필요 없이 예측할 수 없는 환경으로의 일반화를 가능하게 한다.
• 작업 수준 목표를 직접 기울기 하강법을 통해 활용하는 훈련 프레임워크를 개발하여 훈련 효율성과 정책 일반화를 향상시킨다.

제안 방법

• 지속적 감독 없이, 가속 가능한 비용 지도를 사용해 정책 훈련 중 암시적 감독을 제공하는 지배적 학습(IL)을 도입한다.
• 신경망 업데이트와 지표 기반 궤적 최적화를 결합한 이중 최적화(BLO) 프레임워크를 활용해 매끄럽고 충돌 없는 경로를 생성한다.
• 단일 깊이 측정값을 입력으로 사용하고, 학습된 정책 네트워크를 통해 종단간으로 궤적을 매핑한다.
• 전체 파이프라인을 통해 작업 수준의 비용 지표(예: 목표까지의 거리, 장애물 회피)를 역전파하여 기울기 하강법을 사용해 네트워크를 업데이트한다.
• 사전 구축된 가속 가능한 비용 지도를 활용해 훈련 중 정책 행동을 안내하여 암시적 감독을 제공함으로써 명시적 시범이 필요 없도록 한다.
• perception과 planning을 분리하여, 계획 목표에 최적화된 특징을 추출하도록 네트워크를 훈련시켜 실시간 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 시범이나 라벨링된 궤적이 필요 없이 암시적 감독을 통해 효율적이고 일반화 가능한 경로 계획을 달성할 수 있는 비지도 학습 접근법이 가능한가?
• RQ2 가속 가능한 비용 지도를 활용한 지배적 학습은 지도 학습 또는 강화 학습 기준선 대비 훈련 효율성과 일반화 능력을 어떻게 향상시키는가?
• RQ3 단일 깊이 입력에서 훈련된 정책가 다양한 조명, 장애물, 지형 조건을 가진 다양한 예측 불가능한 환경에서 얼마나 잘 일반화되는가?
• RQ4 제안된 이중 최적화 프레임워크는 낮은 계획 지연을 유지하면서도 매끄럽고 충돌 없는 궤적을 생성할 수 있는가?
• RQ5 실제 환경 구현에서 감지 노이즈와 위치 오차 상황에서 이 방법의 성능은 어떠한가?

주요 결과

• iPlanner 방법은 전통적 방법(MP) 대비 약 4배 더 빠른 계획 지연을 달성했으며, Nvidia Jetson Orin에서 평균 지연 시간은 11.4ms였다.
• 다양한 예측 불가능한 환경에서 기준선 학습 방법 대비 SPL(Success weighted by Path Length)을 26–87% 향상시켰다.
• 이 플래너는 실내 실험실, 실외 지형, 인공 구조물로 이루어진 미로, 다양한 조명과 장애물 구성이 있는 지하 환경 등 다양한 예측 불가능한 환경으로도 안정적으로 일반화된다.
• 위치 오차 노이즈에 매우 강건하며, 단일 깊이 프레임만으로도 효과적으로 작동한다.
• 지배적 학습을 통한 종단간 훈련은 작업 수준 지표에 대한 직접 기울기 하강법을 가능하게 하여 시범이나 보상 형상 조정이 필요 없도록 한다.
• ANYmal 다리 로봇을 활용한 실제 환경 실험에서, 이 플래너는 복잡한 실제 환경에서 동적 장애물, 문, 계단 등을 성공적으로 통과했다.