[논문 리뷰] Learning to Fly by Crashing

Dhiraj Gandhi, Lerrel Pinto외 1명|arXiv (Cornell University)|2017. 04. 19.

Robotic Path Planning Algorithms참고 문헌 17인용 수 23

한 줄 요약

이 논문은 실제 드론 충돌 11,500건을 수집하여 대규모 음성 데이터셋을 구축함으로써 UAV 항법을 위한 자기지도 학습 방식을 제안한다. 이러한 실패로부터 충돌을 암시하는 시각적 패턴을 식별하도록 딥 네트워크를 훈련시킴으로써, 투명한 유리 문이나 무문자 벽과 같은 장애물을 회피할 수 있으며, 깊이 기반 기준 모델을 능가하고 복잡한 환경에서 인간 수준의 성능을 달성한다.

ABSTRACT

How do you learn to navigate an Unmanned Aerial Vehicle (UAV) and avoid obstacles? One approach is to use a small dataset collected by human experts: however, high capacity learning algorithms tend to overfit when trained with little data. An alternative is to use simulation. But the gap between simulation and real world remains large especially for perception problems. The reason most research avoids using large-scale real data is the fear of crashes! In this paper, we propose to bite the bullet and collect a dataset of crashes itself! We build a drone whose sole purpose is to crash into objects: it samples naive trajectories and crashes into random objects. We crash our drone 11,500 times to create one of the biggest UAV crash dataset. This dataset captures the different ways in which a UAV can crash. We use all this negative flying data in conjunction with positive data sampled from the same trajectories to learn a simple yet powerful policy for UAV navigation. We show that this simple self-supervised model is quite effective in navigating the UAV even in extremely cluttered environments with dynamic obstacles including humans. For supplementary video see: https://youtu.be/u151hJaGKUo

연구 동기 및 목표

• 전문가 지시나 시뮬레이션에 의존하지 않고 실제 충돌 데이터를 대규모로 수집함으로써 UAV 항법의 데이터 제약 문제를 해결한다.
• 음성인자인 충돌 기반 데이터가 인간의 태깅된 궤적 없이도 효과적인 항법 정책을 훈련하는 데 활용될 수 있는지 조사한다.
• 복잡하고 실제적인 실내 환경에서 동적이고 도전적인 장애물을 포함한 상황에서 충돌 데이터를 활용한 자기지도 학습의 효과성을 평가한다.
• 실패(충돌)에서 학습하는 것이 혼잡하고 무문자적인 환경에서 전통적인 깊이 기반 또는 모방 학습 접근 방식을 능가할 수 있음을 보여준다.

제안 방법

• 자체 설계한 드론이 무작위 궤적을 자동으로 샘플링하고 장애물에 충돌시키며 다양한 실내 환경에서 총 11,500건의 충돌 사례를 수집하였다.
• 동일한 궤적에서 충돌 이전(긍정) 및 충돌(음성) 세그먼트를 모두 포함하는 데이터셋을 구성하여 자기지도 학습을 가능하게 하였다.
• 기본적인 딥 네트워크를 사용하여 이진 분류 작업을 수행: 주어진 이미지 시퀀스가 충돌로 이어지는지 예측한다.
• 모델은 유리 문, 무문자 벽, 좁은 통로와 같은 장애물과의 충돌 패턴을 시각적으로 학습한다.
• 훈련된 정책는 미세조정 없이 실제 테스트 환경(통로, 유리 문, 혼잡한 사무실 공간 등)에 배포되었다.
• 평가 기준으로는 충돌 없이 비행한 시간과 거리를 사용하였으며, 깊이 기반 기준 모델 및 인간 조종 비행과 비교하였다.

실험 결과

연구 질문

• RQ1 대규모 실제 충돌 데이터는 UAV의 자기지도 항법 정책 훈련에 효과적으로 활용될 수 있는가?
• RQ2 음성 예제(충돌)에서 학습하는 것이 복잡한 실내 환경에서 전통적인 깊이 추정 또는 모방 학습보다 우수한 성능을 내는가?
• RQ3 충돌 데이터로 훈련된 모델이 투명한 유리 문이나 무문자 벽과 같은 도전적인 장애물을 가진 새로운 관측되지 않은 환경으로 얼마나 잘 일반화되는가?
• RQ4 간단한 자기지도 모델이 복잡하고 혼잡한 환경에서 인간 조종사 수준의 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 깊이 기반 기준 모델보다 모든 6개의 테스트 환경에서 승리했으며, 깊이 센서가 실패하는 투명한 유리 문이나 무문자 통로가 있는 환경에서도 성능이 뛰어났다.
• '의자 있는 통로' 환경에서는 좁은 장애물 간 격차를 탐지할 수 있는 능력 덕분에 인간 조종 비행 성능을 초월하였다.
• '통로' 환경에서 드론은 3분 이상의 장기 비행을 성공적으로 수행하여 장기적 비행 안정성과 내구성을 입증하였다.
• 모델은 새로운 환경으로의 일반화 능력이 뛰어났으며, 테스트 환경 중 2개(NSH 4층 및 NSH 입구)는 훈련 중에 이미 관측된 바가 있었다.
• 명시적인 깊이 맵이나 전문가 지시 없이도 복잡하고 혼잡한 환경에서 인간 조종사 수준의 성능을 달성하였다.
• 결과는 충돌 데이터가 어려운 시각적 항법 과제에서 강력한 일반화 능력을 갖춘 중요한 다각적 음성 지도 정보를 제공한다는 점을 확인한다.