[논문 리뷰] Motion Planning Transformers: A Motion Planning Framework for Mobile Robots

Jacob J. Johnson, Kalra, Uday S.외 4명|arXiv (Cornell University)|2021. 06. 05.

Machine Learning and Algorithms인용 수 6

한 줄 요약

이 논문은 샘플링 기반 운동 계획기의 탐색 공간을 크게 줄이는 변형기 기반 프레임워크인 Motion Planning Transformers (MPT)를 제안한다. MPT는 자기주의(self-attention)를 활용해 장거리 의존성을 모델링함으로써, 기존의 계획기 대비 7–25%의 계획 시간 절감과 2–12배의 탐색 노드 감소를 이룬다. 이는 지도 크기의 일반화와 비홀로노믹 로봇(예: 두빈스 차량)의 지원을 가능하게 하며, 전반적으로 높은 성능을 발휘한다.

ABSTRACT

Fast and efficient sampling-based motion planning (SMP) is an integral component of many robotic systems, such as autonomous cars. A popular technique to improve the efficiency of these planners is to restrict search space in the planning domain. Existing algorithms define parametric functions to bound the search space, but these do not extend to non-holonomic robotic systems. Recent learning-based methods use a combination of convolutional and fully connected networks to encode the planning space. However, these methods are restricted to fixed map sizes, which are often not realistic in the real world. In this paper, we introduce a transformer-based approach, Motion Planning Transformer, to restrict the search space by learning to discern regions with a valid path from prior data. The model learns not only to restrict search spaces for simple 2D systems but also for non-holonomic robotic systems. We validate our method on various randomly generated environments with different map sizes and plan trajectories for a physical non-holonomic robot. We also provide a ROS2 plugin of our method for the Nav2 planning stack. The results show that our method reduces search space nodes by 2-12 times compared to traditional planners and has better generalizability than recent learning-based planners.

연구 동기 및 목표

• 고정된 지도 크기 제약으로 인해 성능이 떨어지는 기존의 샘플링 기반 운동 계획기의 한계를 해결하기 위해.
• 기존의 CNN 및 MLP 기반 학습 기반 계획기에서 발생하는 고정된 지도 크기 제약을 극복하기 위해.
• SE(2) 공간에서 운동학적으로 타당한 경로 영역을 학습함으로써 비홀로노믹 로봇에 대한 효과적인 운동 계획을 가능하게 하기 위해.
• 특히 더 큰 환경에서 재학습 또는 미세조정 없이도 지도 크기 간 일반화 성능을 향상시키기 위해.
• 실제 로봇 주행 스택(예: Nav2)에 통합 가능한 ROS2 호환 플러그인을 제공하기 위해.

제안 방법

• 기존 운동 계획 데이터를 지도로 사용하여, 구성 공간 내에서 유효한 경로를 포함할 가능성이 높은 영역을 예측하는 변형기 기반 모델을 학습한다.
• 학습 중 랜덤 시프트를 적용한 학습 가능한 위치 임베딩을 사용하여 더 큰 지도 크기로의 일반화 성능을 향상시킨다.
• SE(2) 로봇으로의 확장을 위해 방향 인식 가능한 앵커 포인트를 예측함으로써, 운동학적 제약이 있는 공간에서도 계획이 가능하도록 한다.
• MPT 모델은 영역 제안 네트워크 역할을 하여, RRT*와 같은 샘플링 기반 계획기가 높은 확률 영역에 집중하도록 이끈다.
• 랜덤화된 위치 인코딩을 활용한 새로운 학습 루틴이, 미리 보지 않은 지도 크기에서 모델의 강건성과 정확도를 향상시킨다.
• Nav2 주행 스택에 통합 가능한 ROS2 플러그인으로 구현되어, 기존 계획기와 즉각적으로 통합할 수 있다.

실험 결과

연구 질문

• RQ1 고정된 지도 크기가 필요 없이 변형기 기반 모델이 샘플링 기반 운동 계획에서 탐색 공간을 효과적으로 줄일 수 있는가?
• RQ2 기존의 학습 기반 계획기와 비교해 MPT 모델은 더 큰, 미리 보지 않은 지도 크기에 대해 어떻게 일반화되는가?
• RQ3 MPT 프레임워크는 두빈스 차량과 같은 비홀로노믹 로봇으로 확장될 수 있으며, SE(2) 공간에서 계획 효율성이 향상되는가?
• RQ4 MPT 보조 계획기의 성능은 기존의 전통적 및 학습 기반 계획기 대비 계획 시간, 경로 품질, 노드 수 측면에서 얼마나 뛰어나게 되는가?
• RQ5 MPT 모델은 시뮬레이션에서 실제 로봇 시스템으로의 일반화를 보장하며, 실시간 시스템에 배포 가능한가?

주요 결과

• MPT 보조 계획기에서는 기존의 RRT* 및 IRRT* 계획기 대비 탐색 트리의 정점 수가 2–12배 감소한다.
• 다양한 환경에서 계획 시간이 7–25% 감소하였으며, 특히 더 큰 지도에서 가장 뚜렷한 성과를 보였다.
• 랜덤화된 위치 인코딩을 사용한 모델은 고정 인코딩 기반 모델 대비 더 큰 지도에서 61% 높은 정확도를 달성했다.
• 두빈스 차량 모델의 경우, MPT-RRT*는 RRT* 대비 계획 시간을 50% 감소시키고 정점 수를 38% 줄였으며, 정확도는 95.15%를 기록했다.
• Nav2용 MPT 플러그인은 실제 RC 두빈스 차량에서 10Hz 실시간 계획을 가능하게 하여 강력한 시뮬레이션-실세계 일반화 성능을 입증했다.
• 더 큰 환경에서 IRRT* 및 BIT*의 성능이 탐색 공간 증가로 인해 저하되는 상황에서 MPT는 그 성능을 유지하며 슈퍼어리어어를 기록했다.