[논문 리뷰] Near-Optimal Edge Evaluation in Explicit Generalized Binomial Graphs

Sanjiban Choudhury, Shervin Javdani외 2명|arXiv (Cornell University)|2017. 06. 28.

Machine Learning and Algorithms참고 문헌 23인용 수 9

한 줄 요약

이 논문은 로봇 운동 계획에서 사용되는 명시적 일반 이항 그래프에서 효율적인 간선 평가를 위한 근사 최적 알고리즘인 BiSECt를 제안한다. 간선을 독립적인 베르누이 랜덤 변수로 모델링하고, 적응형 하위모듈라성을 만족하는 서rogate 목적 함수를 활용함으로써, 간선 수에 대해 지수적에서 선형으로 계산 복잡도를 감소시켜, 이는 이전 최고 수준의 방법보다 훨씬 뛰어난 성능을 보이며, 이는 이격된 충돌 검출을 최소화함으로써 비용이 많이 드는 충돌 평가를 줄이는 데 기여한다.

ABSTRACT

Robotic motion-planning problems, such as a UAV flying fast in a partially-known environment or a robot arm moving around cluttered objects, require finding collision-free paths quickly. Typically, this is solved by constructing a graph, where vertices represent robot configurations and edges represent potentially valid movements of the robot between these configurations. The main computational bottlenecks are expensive edge evaluations to check for collisions. State of the art planning methods do not reason about the optimal sequence of edges to evaluate in order to find a collision free path quickly. In this paper, we do so by drawing a novel equivalence between motion planning and the Bayesian active learning paradigm of decision region determination (DRD). Unfortunately, a straight application of existing methods requires computation exponential in the number of edges in a graph. We present BISECT, an efficient and near-optimal algorithm to solve the DRD problem when edges are independent Bernoulli random variables. By leveraging this property, we are able to significantly reduce computational complexity from exponential to linear in the number of edges. We show that BISECT outperforms several state of the art algorithms on a spectrum of planning problems for mobile robots, manipulators, and real flight data collected from a full scale helicopter.

연구 동기 및 목표

• 운동 계획에서 각 간선 검사가 비용이 많이 드는 충돌 검출을 포함하기 때문에, 간선 평가의 높은 계산 비용을 해결하기 위해.
• 가능한 경로 식별 문제를 베이지안 주도 학습의 결정 영역 결정(DRD) 문제로 재정의하기 위해.
• 비용을 최소화하면서 정보가 풍부한 간선을 평가할 수 있도록 효율적인 알고리즘을 개발하기 위해.
• 이전 방법이 요구하는 지수 시간 대비 선형 시간 복잡도를 갖는 근사 최적 성능를 달성하기 위해.
• 모바일 로봇, 매니퓰레이터, 실제 헬리콥터 비행 데이터를 포함한 다양한 운동 계획 문제에 대해 방법을 검증하기 위해.

제안 방법

• 저자들은 가능 경로 식별 문제와 DRD 문제 사이의 등가성을 확립하며, 경로를 결정 영역으로, 간선 평가를 시험으로 정의한다.
• 간선이 상호 독립적인 베르누이 랜덤 변수임을 가정하는 베르누이-DRD 문제를 정의함으로써 문제의 구조를 단순화한다.
• BiSECt는 적응형 하위모듈라성을 만족하는 서rogate 목적 함수를 사용하여, 이론적으로 근사 최적성을 보장하는 그레디언트 선택을 가능하게 한다.
• 독립성과 하위모듈라 구조를 활용하여 O(E) 시간 내에 간선 선택을 계산함으로써, 난이도가 높은 DRD 방법의 O(2^E) 비용을 피한다.
• 기대 정보 수익을 기반으로 간선 우선순위를 정하는 그레디언트 정책을 사용하며, 수정된 MVoI(Marginal Value of Information) 목적 함수를 활용한다.
• MaxProbReg는 전략적 간선 선택을 통해 영역 확률을 1로 이끌어 수렴 속도를 높이는 변종이다.

실험 결과

연구 질문

• RQ1 운동 계획에서의 가능 경로 식별 문제는 베이지안 주도 학습의 결정 영역 결정(DRD) 문제로 재구성될 수 있는가?
• RQ2 DRD 기반 간선 선택의 계산 복잡도를 간선 수에 대해 지수적에서 선형으로 줄일 수 있는가?
• RQ3 독립적인 베르누이 간선 변수의 맥락에서, 서rogate 목적 함수 기반의 그레디언트 정책이 효율적인 계산을 가능하게 하면서도 근사 최적성을 유지할 수 있는가?
• RQ4 다양한 운동 계획 시나리오에서 제안된 알고리즘이 최고 수준의 히우리스틱과 비교해 평가 비용 측면에서 어떻게 성능을 내는가?
• RQ5 이 방법은 복잡한 운동학을 가진 복잡한 환경에서의 UAV나 로봇 암과 같은 실제 로봇 시스템을 효과적으로 처리할 수 있는가?

주요 결과

• BiSECt는 13개 데이터셋 전반에서 일관되게 경쟁력 있는 성능을 보이며, 그 중 8개에서 최고의 알고리즘이었고, 정규화된 평가 비용은 대안보다 크게 낮았다.
• MaxProbReg 변종은 13개 데이터셋 중 12개에서 성능 향상을 보였으며, Random 데이터셋에서는 비용이 최대 20배까지 감소했다. 이는 수렴 속도 향상 덕분이었다.
• 2D 계획 작업에서는 BiSECt가 MaxTally와 MVoI 히우리스틱을 모두 능가했으며, 경로 제거와 고확률 경로 검증 사이의 동적 균형을 유지했다.
• 실제 헬리콥터 비행 데이터에서는 BiSECt가 충돌 없는 경로를 성공적으로 식별하면서도 간선 평가 횟수를 최소화하여, 복잡하고 동적인 환경에서의 유효성을 입증했다.
• BiSECt의 서rogate 목적 함수는 Chen 등 [4]가 제안한 것과 동일한 이론적 근사 최적 경계를 유지하면서도 계산 비용을 O(2^E)에서 O(E)로 감소시켰다.
• 알고리즘은 사후 확률 공간에서 '락킹(latching)' 행동을 보이며, 영향력이 큰 간선이 영역 확률을 신속하게 1로 이끌어 수렴 속도를 가속화한다.