[논문 리뷰] Monte Carlo Motion Planning for Robot Trajectory Optimization Under Uncertainty

Lucas Janson, Edward Schmerling외 1명|arXiv (Cornell University)|2015. 04. 30.

Robotic Path Planning Algorithms참고 문헌 24인용 수 5

한 줄 요약

이 논문은 불확실성 하에서 경로 충돌 확률을 정확하게 추정하기 위해 분산 감소 샘플링을 사용하는 몬테카를로 기반 운동 계획 프레임워크인 MCMP를 제안한다. 제어 변수와 중요도 샘플링을 이용한 결정론적 계획기(FMT*)와 조합함으로써, MCMP는 실시간, 정확하고 비보수적인 불확실성 하에서의 경로 최적화를 가능하게 하며, 오차 한계가 보장된 타당하고 저비용의 경로를 달성한다.

ABSTRACT

This article presents a novel approach, named MCMP (Monte Carlo Motion Planning), to the problem of motion planning under uncertainty, i.e., to the problem of computing a low-cost path that fulfills probabilistic collision avoidance constraints. MCMP estimates the collision probability (CP) of a given path by sampling via Monte Carlo the execution of a reference tracking controller (in this paper we consider LQG). The key algorithmic contribution of this paper is the design of statistical variance-reduction techniques, namely control variates and importance sampling, to make such a sampling procedure amenable to real-time implementation. MCMP applies this CP estimation procedure to motion planning by iteratively (i) computing an (approximately) optimal path for the deterministic version of the problem (here, using the FMT* algorithm), (ii) computing the CP of this path, and (iii) inflating or deflating the obstacles by a common factor depending on whether the CP is higher or lower than a target value. The advantages of MCMP are threefold: (i) asymptotic correctness of CP estimation, as opposed to most current approximations, which, as shown in this paper, can be off by large multiples and hinder the computation of feasible plans; (ii) speed and parallelizability, and (iii) generality, i.e., the approach is applicable to virtually any planning problem provided that a path tracking controller and a notion of distance to obstacles in the configuration space are available. Numerical results illustrate the correctness (in terms of feasibility), efficiency (in terms of path cost), and computational speed of MCMP.

연구 동기 및 목표

• 경로 충돌 확률(CP)의 근사치에 의존하는 기존 운동 계획 방법의 한계를 해결하기 위해, 이는 크게 부정확할 수 있으며 이로 인해 실행 불가능하거나 지나치게 보수적인 계획을 초래할 수 있다.
• 시스템 동역학과 장애물 기하학이 불확실성에 따라 변할 수 있는 환경에서, 경로 CP를 계산적으로 효율적이고 정확하게 추정하는 방법을 개발하기 위해.
• 통계적 분산 감소를 통해 몬테카를로 샘플링을 통한 CP 추정을 실시간으로 빠르고 병렬화 가능한 방식으로 만들음으로써 실시간 운동 계획을 가능하게 하기 위해.
• 어떤 로봇 시스템에나 적용 가능한 일반 목적의 프레임워크를 제공하기 위해, 참조 추적 제어기와 잘 정의된 구성공간 거리 척도를 갖춘 시스템에 적용 가능하도록 하기 위해.
• 사용자가 확률 추정의 신뢰성을 평가할 수 있도록 관련 표준 오차를 제공하는 인증된 CP 추정을 제공하기 위해 — 대부분의 이전 근사치와는 달리.

제안 방법

• LQG 추적 제어기의 실행을 몬테카를로 샘플링을 통해 경로 충돌 확률(CP)을 추정하며, 수많은 확률적 경로 시뮬레이션을 수행한다.
• 계획 문제에 맞게 조정된 제어 변수를 적용하여 CP 추정의 분산을 감소시킴으로써 수렴 속도와 정확도를 향상시킨다.
• 상태공간의 고영향 영역 쪽으로 샘플링 분포를 이동시키기 위해 중요도 샘플링을 활용함으로써, 편향 없이 추가로 분산을 감소시킨다.
• 추정된 CP가 목표 임계값을 초과하는지 여부에 따라 장애물 팽창을 반복적으로 조정하는 메타알고리즘에 CP 추정기를 통합한다.
• 각 반복에서 FMT* 알고리즘을 사용하여 결정론적 경로 최적화를 수행함으로써 저비용 경로 생성을 보장한다.
• 특히 가능도 비율 계산을 병렬화함으로써 몬테카를로 시뮬레이션의 실행 시간을 가속화하며, 다중 코어 또는 GPU 아키텍처에서의 성능 향상을 가능하게 한다.

실험 결과

연구 질문

• RQ1 분산 감소 기법을 사용한 몬테카를로 샘플링이 로봇 운동 계획에서 불확실성 하에서 경로 충돌 확률을 정확하고 인증 가능한 방식으로 추정할 수 있는가?
• RQ2 기존의 근사 기반 방법과 비교할 때, 제안된 MCMP 프레임워크는 CP 추정의 정확도와 계산 효율성 측면에서 어떻게 다른가?
• RQ3 제어 변수와 중요도 샘플링과 같은 분산 감소 기법을 통해 몬테카를로 CP 추정이 실시간 운동 계획에 얼마나 적합한가?
• RQ4 이 연구에서 사용된 가우시안 가정을 초월하여 다양한 로봇 시스템과 불확실성 모델에 일반화될 수 있는가?
• RQ5 CP 추정에 표준 오차를 포함시킴으로써, 근사 방법의 점 추정과 비교할 때 의사결정 과정은 어떻게 향상되는가?

주요 결과

• MCMP는 많은 기존 근사치와 달리 渐近적으로 정확한 CP 추정을 달성한다. 이는 큰 배수의 오차를 유발할 수 있으며, 이는 실행 불가능하거나 지나치게 보수적인 계획을 초래할 수 있다.
• 2~6개의 상태 차원을 가진 문제에서 실시간으로 실행되며, 총 5~10초 내로 완료된다(오프라인 캐싱 제외), 이는 온라인 계획에 대한 실현 가능성과 증명한다.
• 단지 수천 개의 몬테카를로 샘플만으로도 분산 감소 추정기는 신뢰할 수 있는 CP 추정과 관련 표준 오차를 제공하지만, 오차 인증이 없는 근사 방법과는 달리 이를 제공하지 못한다.
• 본 연구에서 사용된 조건부 곱셈 근사 방법은 진짜 CP 값의 2배 이내에 머무르지만, 주요 오차 원인에 따라 과소 또는 과대 추정할 수 있다 — 이는 인증된 추정이 필요함을 시사한다.
• 몬테카를로 샘플링의 계산 비용은 경로 계획 자체와 유사한 수준이며, 이는 MC 구성 요소가 런타임을 지배하지 않음을 나타내며, 특히 병렬화 시에 더욱 그렇다.
• 프레임워크는 매우 병렬화 가능하며, 주요 비용인 가능도 비율 계산은 GPU 가속에 매우 적합하여 실질적으로 빠른 성능 향상을 이끌 수 있다.