[논문 리뷰] Learning Risk-aware Costmaps for Traversability in Challenging Environments

David D. Fan, Dey, Sharmita외 2명|arXiv (Cornell University)|2021. 07. 25.

Anomaly Detection Techniques and Applications참고 문헌 42인용 수 41

한 줄 요약

이 논문은 레이저 레인지파인더(point cloud)에서 직접 조건부가치위험(Conditional Value-at-Risk, CVaR)을 학습함으로써 비정형 환경에서 자율 주행을 위한 위험 인식 비용지도(risk-aware costmaps)를 생성하기 위한 딥러닝 기반 접근법을 제안한다. 새로운 분포 무관 손실 함수를 사용하여, 가우시안 가정에 의존하지 않고도 강건하고 계산 효율적인 비용지도를 생성하며, 꼬리 위험을 정확히 포착한다. 실제 레그드 로봇 데이터를 이용한 실험에서, 캐비닛, 지하철 시스템 등 도전적인 지형에서 일반화 능력, 이상치에 대한 내성, 추론 속도 면에서 기존 방법들을 능가한다.

ABSTRACT

One of the main challenges in autonomous robotic exploration and navigation in unknown and unstructured environments is determining where the robot can or cannot safely move. A significant source of difficulty in this determination arises from stochasticity and uncertainty, coming from localization error, sensor sparsity and noise, difficult-to-model robot-ground interactions, and disturbances to the motion of the vehicle. Classical approaches to this problem rely on geometric analysis of the surrounding terrain, which can be prone to modeling errors and can be computationally expensive. Moreover, modeling the distribution of uncertain traversability costs is a difficult task, compounded by the various error sources mentioned above. In this work, we take a principled learning approach to this problem. We introduce a neural network architecture for robustly learning the distribution of traversability costs. Because we are motivated by preserving the life of the robot, we tackle this learning problem from the perspective of learning tail-risks, i.e. the Conditional Value-at-Risk (CVaR). We show that this approach reliably learns the expected tail risk given a desired probability risk threshold between 0 and 1, producing a traversability costmap which is more robust to outliers, more accurately captures tail risks, and is more computationally efficient, when compared against baselines. We validate our method on data collected a legged robot navigating challenging, unstructured environments including an abandoned subway, limestone caves, and lava tube caves.

연구 동기 및 목표

• 기존 기하학적 방법이 센서 노이즈, 위치 추정 오차, 복잡한 지형 상호작용으로 인해 실패하는 비정형이고 불확실한 환경에서 주행 가능성 위험을 정확히 모델링하는 데 도전한다.
• 가우시안성과 같은 제약 있는 분포 가정 없이도 원시 레이저 레인지파인더 데이터에서 직접 CVaR를 추정하는 학습 기반 접근법을 개발한다.
• 자율 로봇 주행을 위한 주행 가능성 비용지도 생성에서 이상치에 대한 내성과 계산 효율성을 향상시킨다.
• 보유한 다양한 실제 비정형 환경(volcanic tubes, 석회석 동굴, 폐허가 된 지하철 등)에서 방법을 검증한다.
• 외부 분포 환경에도 잘 일반화되며, 위험 정량화의 정확도를 유지하는 확장 가능한 종단 간(end-to-end) 학습 프레임워크를 제공한다.

제안 방법

• 원시 또는 최소한으로 처리된 레이저 레인지파인더 포인트 클라우드를 입력으로 사용하는 컨volutional 신경망(CNN)을 학습하여, 각 셀이 특정 신뢰수준 α에서 주행 가능성 비용의 CVaR를 나타내는 위험 인식 비용지도를 예측한다.
• 위험 수준 α에 대한 분위수 및 CVaR 예측의 단조성(monotonicity)을 강제하는 새로운 미분 가능 손실 함수를 도입하여, 분포 가정 없이 직접 학습이 가능하도록 한다.
• VaR(Value-at-Risk)와 CVaR(Conditional Value-at-Risk)를 예측하도록 네트워크를 학습하기 위해 분위수 회귀 방식의 손실 함수를 사용하며, 특히 꼬리 위험 추정에 초점을 맞춘다.
• 학습 레이블은 특정 비모수적 형태(예: 가우시안)를 가정할 필요 없이 시뮬레이션 또는 실제 주행 가능성 비용 분포에서 유도된다.
• 레그드 로봇이 다양한 비정형 환경(동굴, 폐허가 된 인프라 등)에서 수집한 6개의 실제 데이터셋을 대상으로 종단 간(end-to-end) 학습을 수행한다.
• 평가에는 VaR 및 CVaR에 대한 의사 R² 지표와 함께, 校정성(calibration) 평가를 위한 암시적 α 값을 사용하며, 내재된 분포(in-distribution) 및 외부 분포(out-of-distribution) 설정 간 성능을 비교한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 특정 확률 분포를 가정하지 않고 원시 레이저 레인지파인더 데이터에서 직접 CVaR 기반 주행 가능성 비용지도를 학습할 수 있는가?
• RQ2 기존의 수작업으로 만든 비용지도 및 가우시안 가정에 기반한 모델과 비교해, 제안된 분포 무관 CVaR 학습 방법은 내성과 정확도 면에서 어떻게 성능을 내는가?
• RQ3 훈련 중에 볼 수 없었던 고위험 특징을 포함한 석회석 동굴과 같은 외부 분포 환경에 대해 학습된 비용지도는 어느 정도 일반화되는가?
• RQ4 기존의 전통적 비용지도 생성 파이프라인에 비해 제안된 방법은 계산 효율성이 향상되는가?
• RQ5 기존 방법이 희소한 데이터나 분포 불일치로 실패하기 쉬운 꼬리 위험(예: α = 0.95)을 모델이 얼마나 잘 포착하는가?

주요 결과

• 제안된 CVaR 학습 모델은 VaR 및 CVaR 예측 정확도에서 수작업 비용지도, L1 손실, NLL 손실 기반 기준 모델을 모두 초월하며, 특히 고위험 수준(α ≥ 0.9)에서 두드러진 성능 향상을 보인다.
• 대부분의 α 수준에서 VaR 및 CVaR에 대해 의사 R² 값이 1.0에 가까운 수준을 유지하며, α = 0.95에서 데이터 분포 제약으로 인해 다소 감소함.
• 외부 분포인 석회석 동굴 데이터셋에서, 모든 α 수준에서 의사 R² > 0을 유지하여, 높은 지형 복잡성과 새로운 특징에도 불구하고 강건한 일반화 능력을 입증함.
• CVaR 학습 방법은 수작업 비용지도 접근법 대비 추론 시간을 약 5배 감소시켰으며, 중앙값 계산 시간은 48.94 ms 대비 241.92 ms를 기록함.
• 모델는 우수한 校정성(calibration)을 보이며, 암시적 α 값이 목표 α와 밀접하게 일치함으로써 다양한 환경에서 신뢰할 수 있는 위험 정량화를 수행함.
• 좁은 통로, 잔해, 습윤 표면 등 실제 환경에서 전통적 방법이 종종 실패하거나 위험을 과도하게 평가하는 상황에서도 모델이 꼬리 위험을 성공적으로 포착함.