[논문 리뷰] Motion Control for Mobile Robot Navigation Using Machine Learning: a Survey

Xuesu Xiao, Bo Liu외 2명|arXiv (Cornell University)|2020. 11. 26.

Robotic Path Planning Algorithms참고 문헌 101인용 수 31

한 줄 요약

이 종합 검토는 이동 로봇 주행에서 운동 제어를 위한 기계 학습 접근법을 조사하며, 전통적인 주행 시스템과의 관계에서 이를 분류한다. 최근의 연구를 분석하여 핵심 과제와 향후 방향을 밝히며, 전통적인 로봇 공학 파이프라인과의 통합 잠재력을 부각시키는 비교 프레임워크를 제공한다.

ABSTRACT

Moving in complex environments is an essential capability of intelligent mobile robots. Decades of research and engineering have been dedicated to developing sophisticated navigation systems to move mobile robots from one point to another. Despite their overall success, a recently emerging research thrust is devoted to developing machine learning techniques to address the same problem, based in large part on the success of deep learning. However, to date, there has not been much direct comparison between the classical and emerging paradigms to this problem. In this article, we survey recent works that apply machine learning for motion control in mobile robot navigation, within the context of classical navigation systems. The surveyed works are classified into different categories, which delineate the relationship of the learning approaches to classical methods. Based on this classification, we identify common challenges and promising future directions.

연구 동기 및 목표

• 이동 로봇 주행에서 운동 제어에 적용된 최근 기계 학습 기법을 분석하기 위해.
• 기계 학습 기반 접근법을 고전적 주행 시스템과의 관계에 따라 분류하기 위해.
• 기계 학습을 전통적인 로봇 제어 프레임워크에 통합할 때 발생하는 공통 과제를 식별하기 위해.
• 기계 학습 기반 이동 로봇 주행 분야에서 유망한 향후 연구 방향을 요약하기 위해.

제안 방법

• 이 논문은 이동 로봇의 운동 제어에 기계 학습을 적용한 최근 연구들을 종합적으로 조사한다.
• 연구들은 고전적 주행 패러다임과의 통합 또는 이탈 정도에 따라 분류된다.
• 분류 체계는 엔드 투 엔드 학습, 암시 학습, 하이브리드 학습-고전적 방법과 같은 접근법을 구분한다.
• 분석은 실제 주행 작업 환경에서의 아키텍처 선택, 학습 목표, 구현 환경에 중점을 둔다.
• 보상 설계, 정책 학습, 인지-행동 통합과 같은 방법론적 추세를 평가한다.
• 다양한 연구의 결과를 통합하여 반복되는 기술적 및 실용적 과제를 부각시킨다.

실험 결과

연구 질문

• RQ1 기계 학습 기반 운동 제어 방법은 성능과 내구성 측면에서 고전적 주행 시스템과 어떻게 비교되는가?
• RQ2 기계 학습 기반 로봇 주행 시스템에서 주로 사용되는 아키텍처 및 통합 패턴은 무엇인가?
• RQ3 기계 학습 기반 방법은 고전적 제어 및 계획 파이프라인과 어떤 방식으로 향상되거나 이질화되는가?
• RQ4 실제 로봇 운동 제어에 기계 학습을 구현할 때 공통적으로 발생하는 과제는 무엇인가?
• RQ5 기계 학습 기반 주행을 발전시키기 위해 가장 유망한 향후 연구 방향은 무엇인가?

주요 결과

• 이 종합 검토는 기계 학습 기반 방법이 복잡하고 동적인 환경에서 운동 제어를 향상시키는 데 점점 더 널리 사용되고 있음을 밝혀냈다.
• 많은 기계 학습 접근법은 별도의 시스템이 아니라 경로 계획기 및 제어기와 같은 고전적 구성 요소와 통합되어 있다.
• 반복적인 과제로는 엔드 투 엔드 학습 시스템의 해석 불가능성과 일반화 능력 부족이 있다.
• 암시 학습 및 암시 기반 미세 조정은 샘플 복잡도를 줄이고 안전성을 향상시키는 데 유망한 것으로 나타났다.
• 깊이 강화 학습을 통한 인지-제어 통합은 데이터 효율성과 실시간 제약으로 인해 여전히 도전 과제로 남아 있다.
• 향후 연구는 고전적 방법의 견고성과 기계 학습 모델의 적응 가능성의 장점을 결합한 하이브리드 시스템에 초점을 맞춰야 한다.