[논문 리뷰] Multi-skill Mobile Manipulation for Object Rearrangement

Jiayuan Gu, Devendra Singh Chaplot외 2명|arXiv (Cornell University)|2022. 09. 06.

Domain Adaptation and Few-Shot Learning인용 수 10

한 줄 요약

이 논문은 장기적인 목표 재배치 작업에서의 누적 오류를 줄이고, 유연한 영역 목표 탐색 보상과 함께 이동 가능한 다중 기술 이동 조작 프레임워크인 M3을 제안한다. 정지된 조작 기술을 이동 가능한 것으로 대체하고, 고정된 점 목표가 아닌 영역 목표를 타깃으로 삼아 탐색의 강건성을 향상시킨다. M3는 홈 어시스턴트 벤치마크에서 구성 간 테스트에서 71.2%의 성공률, 레이아웃 간 테스트에서 55.0%의 성공률을 기록하며, 모든 기준 모델을 상당한 격차로 앞서며 성능을 뛰어나게 한다.

ABSTRACT

We study a modular approach to tackle long-horizon mobile manipulation tasks for object rearrangement, which decomposes a full task into a sequence of subtasks. To tackle the entire task, prior work chains multiple stationary manipulation skills with a point-goal navigation skill, which are learned individually on subtasks. Although more effective than monolithic end-to-end RL policies, this framework suffers from compounding errors in skill chaining, e.g., navigating to a bad location where a stationary manipulation skill can not reach its target to manipulate. To this end, we propose that the manipulation skills should include mobility to have flexibility in interacting with the target object from multiple locations and at the same time the navigation skill could have multiple end points which lead to successful manipulation. We operationalize these ideas by implementing mobile manipulation skills rather than stationary ones and training a navigation skill trained with region goal instead of point goal. We evaluate our multi-skill mobile manipulation method M3 on 3 challenging long-horizon mobile manipulation tasks in the Home Assistant Benchmark (HAB), and show superior performance as compared to the baselines.

연구 동기 및 목표

• 장기적인 이동 조작 작업에서 기술 체인의 누적 오류를 해결하기 위해.
• 조작 기술의 이동성을 통해 모듈식 기술의 강건성과 조합 가능성 향상.
• 고정된 점 목표 대신 영역 목표 탐색을 통해 탐색 목표의 모호성 감소.
• 향상된 기술 정의를 통해 예측 불가능한 환경(레이아웃 간 일반화)에서의 일반화 능력과 성공률 향상.
• 기능성, 조합 가능성, 재사용 가능성을 갖춘 설계 원칙을 도출하여 몸체 기반 인공지능에서 효과적인 하위작업 분해를 위한 기반 마련.

제안 방법

• 작업 실행 중 기반 이동이 가능한 이동식 조작 기술로 정지된 조작 기술을 대체한다.
• 고정된 점 목표가 아닌 타당한 목표 영역을 정의하는 영역 목표 탐색 보상 도입으로 탐색의 강건성 향상.
• 목표 영역 내 임의의 위치에 도달하도록 탐색 정책을 훈련시켜 정확한 초기 탐색에 대한 의존도 감소.
• 환경과의 의도치 않은 상호작용(예: 문을 조기에 닫는 것 등)을 방지하기 위해 탐색 보상에 충돌 페널티를 적용.
• 모듈식 기술 계층을 사용해 이동식 조작 기술과 영역 목표 탐색을 연결함으로써, 융통성 있고 오류에 강건한 작업 실행 가능.
• 이행 가능성과 조합 가능성 간의 트레이드오���을 고려해 조작 기술의 초기 상태를 정의하여 실현 불가능하거나 지나치게 광범위한 분포 방지.

실험 결과

연구 질문

• RQ1 이동식 조작 기술은 정지된 기술에 비해 기술 체인의 누적 오류를 줄이는가?
• RQ2 점 목표 탐색 대신 영역 목표 탐색을 사용할 경우 정책의 일반화 능력과 성공률가 향상되는가?
• RQ3 조작 기술의 초기 상태 분포를 얼마나 넓힐 수 있으며, 성능 저하 없이 유지 가능한가?
• RQ4 탐색 보상에 충돌 페널티를 추가하면 환경 상호작용의 안전성과 작업 성공률가 향상되는가?
• RQ5 제안된 방법은 구성 간 및 레이아웃 간 일반화 설정에서 어떻게 성능을 발휘하는가?

주요 결과

• M3는 홈 어시스턴트 벤치마크에서 구성 간 설정에서 71.2%의 성공률, 레이아웃 간 설정에서 55.0%의 성공률을 기록하며, 모든 기준 모델을 상당한 격차로 앞서며 성능을 뛰어나게 한다.
• 이동식 조작 접근 방식(M+P)은 구성 간에서 64.9%의 성공률, 레이아웃 간에서 36.2%의 성공률을 기록하며, 정지 기반 기준 모델(S+P)의 57.4%와 31.1%에 비해 상당히 뛰어나다.
• 탐색 보상에 충돌 페널티를 추가하면 성공률이 S+P에서 57.4%에서 65.2%로, M+P에서 64.9%에서 67.9%로 향상되어 안전한 상호작용에 중요함을 입증한다.
• 절단 실험 결과, 정지 기반 기술의 초기 상태 분포를 단순히 확장할 경우(Pick in TidyHouse에서 95%에서 45%로 성능 저하) 난이도 높은 분포 확장의 실현 불가능성을 보여준다.
• 영역 목표 탐색 보상은 레이아웃 간 설정에서 더 나은 일반화를 가능하게 하며, M3는 M+P의 36.2%에 비해 55.0%의 성공률을 기록하여 목표 지정의 모호성 감소를 입증한다.
• 정성적 결과는 이동식 조작이 잘못된 탐색으로 인한 오차를 보완해 타겟에 접근할 수 있는 반면, 정지식 조작은 탐색이 최적의 영역에 떨어지지 않을 경우 실패함을 보여준다.