[논문 리뷰] Learning-based Preference Prediction for Constrained Multi-Criteria Path-Planning

Kévin Osanlou, Christophe Guettier외 3명|arXiv (Cornell University)|2021. 08. 02.

Robotic Path Planning Algorithms참고 문헌 20인용 수 6

한 줄 요약

이 논문은 자율 지상 차량(AGV)의 제약 조건이 있는 다기준 경로 계획에서 학습 기반 선호도 예측 프레임워크를 제안한다. 신경망을 사용해 사전에 자율 주행 가능성을 예측하고, 이를 제약 프로그래밍(CP) 기반 온라인 플래너에 통합한다. 이 방법은 맑은 날에는 인간 간섭을 90% 감소시키고, 중간 날씨에는 80% 감소시키며, 경로 거리가 10–30% 증가하는 데 그치며, 거리와 자율 주행 가능성 사이의 강력한 트레이드오프를 보여준다.

ABSTRACT

Learning-based methods are increasingly popular for search algorithms in single-criterion optimization problems. In contrast, for multiple-criteria optimization there are significantly fewer approaches despite the existence of numerous applications. Constrained path-planning for Autonomous Ground Vehicles (AGV) is one such application, where an AGV is typically deployed in disaster relief or search and rescue applications in off-road environments. The agent can be faced with the following dilemma : optimize a source-destination path according to a known criterion and an uncertain criterion under operational constraints. The known criterion is associated to the cost of the path, representing the distance. The uncertain criterion represents the feasibility of driving through the path without requiring human intervention. It depends on various external parameters such as the physics of the vehicle, the state of the explored terrains or weather conditions. In this work, we leverage knowledge acquired through offline simulations by training a neural network model to predict the uncertain criterion. We integrate this model inside a path-planner which can solve problems online. Finally, we conduct experiments on realistic AGV scenarios which illustrate that the proposed framework requires human intervention less frequently, trading for a limited increase in the path distance.

연구 동기 및 목표

• 불확실한 자율 주행 가능성이 존재하는 조건에서 자율 지상 차량(AGV) 경로 계획에서 인간 간섭을 최소화하는 데 도전하는 것.
• 지형, 기상 조건, 차량 동역학이 주행 가능성을 영향을 주는 오프로드 환경에서 자율 주행 가능성을 예측하는 학습 기반 방법을 개발하는 것.
• 학습된 가능성을 제약 프로그래밍(CP) 기반 온라인 경로 플래너에 통합하여 실시간 다기준 최적화를 수행하는 것.
• 경로 거리 최소화와 자율 주행 가능성 최대화라는 상충되는 두 목표를 균형 잡는 것, 특히 악천후 조건에서의 성능을 고려하여.
• 실제 시나리오에서 프레임워크를 평가하여 경로 길이와 요구되는 인간 간섭 사이의 트레이드오프를 정량화하는 것.

제안 방법

• 지형, 기상 조건, 차량 파라미터를 기반으로 자율 주행 가능성을 예측하기 위해 오프라인 시뮬레이션에서 신경망을 훈련한다.
• 각 경로 엣지를 주행 가능성을 영향을 주는 물리적 및 환경적 요소를 코딩한 특징 벡터로 표현한다.
• 훈련된 신경망을 통해 프로퍼티를 통과시켜 엣지에 선호도 점수를 할당하고, 온라인 계획을 위한 가능성을 추정한다.
• 거리와 가능성을 동시에 최적화하는 제약 프로그래밍(CP) 기반 경로 플래너(PCMCO)에 학습된 가능성 예측을 통합한다.
• 하이브리드 신경망(NN) + PCMCO 프레임워크를 적용하여 거리가 최소화되고 자율 주행 비율이 높아지는 온라인 경로를 계산한다.
• 3D 시뮬레이션 환경을 사용해 인간 간섭 횟수를 경로 실행 중에 수량화하여 방법을 검증한다.

실험 결과

연구 질문

• RQ1 다양한 기상 조건과 지형 조건에서 오프로드 AGV 환경에서 학습된 신경망 모델이 자율 주행 가능성을 정확하게 예측할 수 있는가?
• RQ2 학습된 가능성 예측을 CP 기반 플래너에 통합할 경우, 경로 거리와 인간 간섭 사이의 트레이드오프에 어떤 영향을 미치는가?
• RQ3 기존의 고정된 가능성 임계값을 사용하는 전통적 경로 계획법에 비해 제안된 프레임워크는 인간 간섭을 얼마나 줄이는가?
• RQ4 신경망의 예측 성능이 맑은 날, 중간 날, 어려운 날 조건을 포함한 다양한 기상 조건에서 일반화되는가?
• RQ5 기본 방법 대비 제안된 방법의 성능 향상은 통계적으로 유의미한가?

주요 결과

• 맑은 날 기준으로 NN + PCMCO 방법은 인간 간섭을 경로당 0.1로 줄였고(PCO 대비 1.6), 94% 감소시켰으며, 경로 거리는 단지 10% 증가하였다.
• 중간 날 기준으로 이 방법은 인간 간섭을 경로당 0.4로 줄였고(PCO 대비 2.3), 83% 감소시켰으며, 거리 비용은 30% 높아졌다.
• 어려운 날 기준으로 이 방법은 인간 간섭을 경로당 2.5로 줄였고(PCO 대비 4.1), 41% 감소시켰으며, 거리 비용은 22% 높아졌다.
• 대응 t-검정 결과 경로 거리에 유의미한 차이가 있었고(p < 10^-7), 거리 증가가 우연이 아님을 확인하였다.
• 卡이제곱 검정 결과, NN + PCMCO의 간섭 패턴은 PCO와 독립적임을 나타내(p > 0.89), 이 방법의 일관되고 독립적인 행동을 검증하였다.
• 신경망 모델은 모든 기상 조건에서 일관되고 신뢰할 수 있는 예측을 보였으며, 인간 작업 부담 감소에 효과적인 온라인 경로 계획을 가능하게 하였다.