[논문 리뷰] Moment State Dynamical Systems for Nonlinear Chance-Constrained Motion Planning

Allen Wang, Ashkan Jasour외 1명|arXiv (Cornell University)|2020. 03. 23.

Robotic Path Planning Algorithms참고 문헌 25인용 수 8

한 줄 요약

이 논문은 확률적 제약 조건을 갖춘 운동 계획을 위해 정확하고 빠르며 비선형적인 순간 전파를 가능하게 하는 TreeRing이라는 프레임워크를 소개한다. 비선형 시스템—특히 도브린의 자동차와 같은 삼각함수 다항식 시스템—을 고차원 다항식 시스템으로 변환함으로써 선형화 없이 정확한 통계적 순간 계산을 가능하게 하며, 몬테카를로 방법과 선형화 방법보다 속도와 정확도에서 뛰어나다.

ABSTRACT

Chance-constrained motion planning requires uncertainty in dynamics to be propagated into uncertainty in state. When nonlinear models are used, Gaussian assumptions on the state distribution do not necessarily apply since almost all random variables propagated through nonlinear dynamics results in non-Gaussian state distributions. To address this, recent works have developed moment-based approaches for enforcing chance-constraints on non-Gaussian state distributions. However, there still lacks fast and accurate moment propagation methods to determine the necessary statistical moments of these state distributions. To address this gap, we present a framework that, given a stochastic dynamical system, can algorithmically search for a new dynamical system in terms of moment state that can be used to propagate moments of disturbance random variables into moments of the state distribution. The key algorithm, TreeRing, can be applied to a large class of nonlinear systems which we refer to as trigonometric polynomial systems. As an example application, we present a distributionally robust RRT (DR-RRT) algorithm that propagates uncertainty through the nonlinear Dubin's car model without linearization.

연구 동기 및 목표

• 비정규 분포를 갖는 비선형 확률적 시스템에 대해 빠르고 정확한 순간 전파 방법의 부족을 해결한다.
• 비정규 불확실성 하에서 확률적 제약 조건을 갖춘 운동 계획에서 선형화 및 샘플링 기반 방법의 한계를 극복한다.
• 비선형 동역학을 통해 통계적 순간을 정확히 전파하여 분포로 저항력 있는 운동 계획을 가능하게 한다.
• 로봇 공학에서 흔한 삼각함수 다항식 시스템에 대해, 이를 등가의 다항식 시스템으로 변환함으로써 순간 전파를 확장한다.
• 최적화 및 샘플링 기반 계획기에서 사용 가능한 닫힌 형태의 순간 동역학을 생성하는 확장 가능한 알고리즘 프레임워크를 개발한다.

제안 방법

• 통계적 순간(평균, 공분산, 고차원 순간 등)의 상태 분포에 대해 새로운 동역학 시스템을 알고리즘적으로 탐색하는 프레임워크를 제안한다.
• 기호 대수를 사용하여 랜덤 변수의 다항식 함수를 전개하고 순간 항등식을 적용함으로써 순간 상태 동역학을 유도한다.
• 다항식 시스템에 대해 체계적으로 순간 전파 방정식을 생성하는 TreeRing 알고리즘을 도입하여 닫힌 형태의 평가를 보장한다.
• 삼각함수 다항식 시스템을 다룰 때는 변수 치환(예: sin(x), cos(x) → 새로운 변수)을 적용하여 다항식 형태로 변환한다.
• 유도된 다항식 순간 시스템을 활용해 상태 순간을 선형화나 샘플링 없이 효율적이고 정확하게 계산한다.
• 분포로 저항력 있는 RRT(DR-RRT) 계획기와 통합하여 선형화 없이도 확률적 제약 조건을 강제한다.

실험 결과

연구 질문

• RQ1 비선형 확률적 시스템을 통해 통계적 순간을 정확하고 닫힌 형태로 전파할 수 있는 순간 상태 동역학 시스템을 자동으로 생성할 수 있는가?
• RQ2 로봇 공학에서 흔한 삼각함수 다항식 시스템에 대해 선형화나 샘플링에 의존하지 않고 순간 전파를 어떻게 확장할 수 있는가?
• RQ3 제안된 순간 전파 프레임워크는 선형화 또는 몬테카를로 접근법에 비해 정확도와 효율성 면에서 향상된 성능을 보일 수 있는가?
• RQ4 기존에 시간 단위별로 사전에 확률 제약 조건을 할당하는 방법에 비해, 이 프레임워크는 위험 할당의 보수성 감소에 얼마나 기여하는가?
• RQ5 RRT와 같은 샘플링 기반 계획기에 효율적으로 통합되어 비정규 불확실성 하에서 분포로 저항력 있는 계획을 가능하게 할 수 있는가?

주요 결과

• TreeRing는 10^5개의 시간 단계 동안 35.2ms(1단계당 0.3μs) 내에 정확한 비선형 순간 전파를 수행하며, 선형화된 순간 전파와 동일한 속도를 기록한다.
• 순간 전파 결과는 몬테카를로 시뮬레이션과 매우 유사한 반면, 선형화된 순간 전파에서는 이차 순간에서 상당한 이탈을 보였다.
• 이 방법은 선형화보다 더 높은 정확도를 확보하며, 난이도 높은 몬테카를로 샘플링보다 수십만 배 이상 빠르다.
• 프레임워크는 선형화 없이도 비선형 도브린의 자동차 모델에 대해 분포로 저항력 있는 RRT(DR-RRT)를 성공적으로 구현하여 안전성과 견고성을 향상시켰다.
• 유도된 순간 상태 시스템은 닫힌 형태이며 확장 가능하여 최적화 및 계획 파이프라인에 효율적으로 통합할 수 있다.
• 기존 연구들과 동일한 기본 위험 부등식을 사용하지만, 경계를 동적으로 계산함으로써 보수적인 위험 할당을 피함으로써 더 보수적인 계획을 도출한다.