[논문 리뷰] Learning to Navigate: Exploiting Deep Networks to Inform Sample-Based Planning During Vision-Based Navigation

Justin S. Smith, Jin‐Ha Hwang외 2명|arXiv (Cornell University)|2018. 01. 16.

Robotic Path Planning Algorithms참고 문헌 4인용 수 5

한 줄 요약

이 논문은 전방위적 목표를 고려한 고품질의 경로 샘플을 생성하도록 엔드 투 엔드 모델을 재학습시켜 샘플 기반 계획법에 딥러닝을 통합하는 방법을 제안한다. 네트워크의 입력/출력을 목표 향한 운동을 우선시하도록 수정함으로써, 기존 계획법의 성능을 유지하거나 초월하면서도 필요한 샘플 수를 한 단계 감소시켰다. 이는 터틀봇 2에서 시뮬레이션 및 실제 환경 테스트 모두에서 입증되었다.

ABSTRACT

Recent applications of deep learning to navigation have generated end-to-end navigation solutions whereby visual sensor input is mapped to control signals or to motion primitives. The resulting visual navigation strategies work very well at collision avoidance and have performance that matches traditional reactive navigation algorithms while operating in real-time. It is accepted that these solutions cannot provide the same level of performance as a global planner. However, it is less clear how such end-to-end systems should be integrated into a full navigation pipeline. We evaluate the typical end-to-end solution within a full navigation pipeline in order to expose its weaknesses. Doing so illuminates how to better integrate deep learning methods into the navigation pipeline. In particular, we show that they are an efficient means to provide informed samples for sample-based planners. Controlled simulations with comparison against traditional planners show that the number of samples can be reduced by an order of magnitude while preserving navigation performance. Implementation on a mobile robot matches the simulated performance outcomes.

연구 동기 및 목표

• 엔드 투 엔드 딥러닝 주행 모델이 충돌 회피 능력은 우수하나 목표 향한 작업에서 성능이 열 劣하다는 문제를 해결하기 위해.
• 완전한 폐쇄형 주행 파이프라인에 통합될 때 표준 엔드 투 엔드 모델의 한계를 규명하기 위해.
• 샘플 기반 계획법을 위한 데이터 기반 샘플링 히우리스틱으로 작동하도록 딥러닝 모듈을 재설계하기 위해.
• 성공적인 주행을 위해 필요한 경로 샘플 수를 성능을 희생시키지 않고 감소시키기 위해.
• 시뮬레이션 환경과 실제 이동 로봇(Turtlebot 2)에서 본 방법의 유효성을 검증하기 위해.

제안 방법

• 엔드 투 엔드 주행 네트워크를 재학습시켜, 단순히 반응형 제어를 출력하는 대신 전반적인 목표 향한 경로 후보를 생성하도록 한다.
• 목표 방향과 거리를 반영하도록 훈련 데이터와 손실 함수를 수정함으로써, 네트워크의 출력이 샘플 기반 계획법에 적합한 형태가 되도록 한다.
• RRT 기반 또는 유사한 샘플 기반 계획법 내에서 딥 네트워크를 히우리스틱 샘플러로 통합하여 무작위 샘플링을 대체한다.
• 네트워크의 특징 표현을 활용해 성공 가능성이 높은 목표 향한 고품질의 경로 샘플 후보를 생성한다.
• 초기 경로 후보 집합이 실패할 경우 재계획을 가능하게 하기 위해, 실패 시 복구 행동(360도 회전)을 적용한다.
• 단순한 섹터 기반 환경에서의 시뮬레이션 환경과 단안 시각을 갖춘 실제 터틀봇 2에서 시스템을 평가한다.

실험 결과

연구 질문

• RQ1 엔드 투 엔드 딥러닝 주행 모델이 샘플 기반 계획법을 위한 샘플링 히우리스틱으로 효과적으로 재사용될 수 있는가?
• RQ2 목표 정보를 네트워크의 입력/출력에 통합함으로써 계획 효율성과 성공률에 어떤 영향을 미치는가?
• RQ3 무작위 샘플링 대비 학습된 샘플링 히우리스틱을 사용할 경우, 경로 샘플 수를 얼마나 줄일 수 있는가?
• RQ4 희박한 환경와 조밀한 환경 모두에서 제안된 방법의 성능이 기존 계획법(TEB 등)과 비교해 어떻게 되는가?
• RQ5 제안된 방법이 시뮬레이션 결과와 유사한 실세계 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 시뮬레이션에서 성공률을 유지하거나 향상시키면서도 필요한 경로 샘플 수를 한 단계 감소시켰다(10배 감소).
• 희박한 섹터 환경에서 LPIPS-ToGoal 방법은 93.33%의 성공률을 기록하여 TEB의 86.56% 성공률을 능가했다.
• 조밀한 섹터 환경에서는 LPIPS-ToGoal 방법이 70%의 성공률을 기록한 반면 TEB는 90%의 성공률을 기록하여 복잡한 환경에서 성능 상실이 발생했다.
• 실세계 터틀봇 2에서 시스템은 15회의 주행 시험 중 13회의 성공을 거두었으며, 두 건의 실패는 시야 한계 때문이었다.
• 실세계 배포에서 시뮬레이션 성능을 성공적으로 재현함으로써 시뮬레이션에서의 성능 전이가 성공적으로 이루어졌음을 입증했다.
• 실패 사례는 주로 시야 한계와 시간적 기억 부족 때문이었으며, 향후 센서 모델링 또는 기억 통합 개선이 필요함을 시사한다.