[논문 리뷰] Predicting Sample Collision with Neural Networks

Minh Tuan Tran, Jory Denny외 1명|arXiv (Cornell University)|2020. 06. 30.

Robotic Path Planning Algorithms참고 문헌 30인용 수 5

한 줄 요약

이 논문은 샘플링 기반 운동 계획에서 비용이 많이 드는 충돌 검출을 대체하기 위해 계약형 autoencoder(CAE)와 다층 퍼셉트론(MLP)을 활용한 신경망 프레임워크를 제안한다. CAE는 로봇의 워크스페이스를 잠재 공간으로 압축하고, MLP는 인코딩된 워크스페이스와 로봇 상태를 기반으로 구성의 타당성을 예측한다. 이 방법은 3D 워크스페이스에서 검증 시간을 최대 50% 감소시키며, 새로운 환경에 대해서도 잘 일반화되어 신뢰성은 유지하면서 계산 효율성을 크게 향상시킨다.

ABSTRACT

Many state-of-art robotics applications require fast and efficient motion planning algorithms. Existing motion planning methods become less effective as the dimensionality of the robot and its workspace increases, especially the computational cost of collision detection routines. In this work, we present a framework to address the cost of expensive primitive operations in sampling-based motion planning. This framework determines the validity of a sample robot configuration through a novel combination of a Contractive AutoEncoder (CAE), which captures a occupancy grids representation of the robot's workspace, and a Multilayer Perceptron, which efficiently predicts the collision state of the robot from the CAE and the robot's configuration. We evaluate our framework on multiple planning problems with a variety of robots in 2D and 3D workspaces. The results show that (1) the framework is computationally efficient in all investigated problems, and (2) the framework generalizes well to new workspaces.

연구 동기 및 목표

• 고차원적이고 혼잡한 환경에서 샘플링 기반 운동 계획기에서 충돌 검출의 계산 비용을 줄이기 위해.
• 각 새로운 환경마다 재학습이 필요 없이도 로봇 구성의 타당성을 일반화 가능한 방법으로 예측할 수 있도록 개발하기 위해.
• 기계 학습을 샘플링 기반 운동 계획의 핵심 단계에 통합하여 효율성을 향상시키면서도 확률적 완전성을 유지하기 위해.
• 다양한 로봇과 복잡한 2D/3D 워크스페이스에서의 프레임워크의 견고성과 확장성을 평가하기 위해.
• 반복적인 기하학적 충돌 검사를 학습된 잠재 공간 기반 예측으로 대체하여 더 빠르고 안정적인 운동 계획을 가능하게 하기 위해.

제안 방법

• 워크스페이스의 포인트 클라우드 표현을 저차원 잠재 공간으로 압축하기 위해 사전에 오프라인으로 계약형 autoencoder(CAE)를 학습한다. 이 과정에서 충돌 검출에 관련된 구조적 정보를 유지한다.
• CAE로 임bed된 워크스페이스와 로봇의 현재 구성 상태를 기반으로, 로봇 구성이 타당한지(충돌 없음) 예측하기 위해 다층 퍼셉트론(MLP)을 학습한다.
• 온라인 운영 중에 CAE는 새로운 워크스페이스를 잠재 공간으로 인코딩하고, 학습된 MLP는 빠르게 샘플링된 구성이 타당한지 여부를 분류한다.
• 기존의 샘플링 기반 운동 계획기(RRT, PRM 등)에 프레임워크를 적용하여, 내부 충돌 검출 모듈을 신경망 예측 시스템으로 대체한다.
• 동적 샘플링 전략을 지원하며, 필요에 따라 재샘플링을 允허함으로써 확률적 완전성을 유지한다.
• 다양한 복잡도의 2D 및 3D 워크스페이스(좁은 통로, 혼잡한 환경 포함)에서 방법을 평가한다.

실험 결과

연구 질문

• RQ1 환경의 학습된 잠재 공간 표현이 샘플링 기반 운동 계획에서 구성 검증의 계산 비용을 줄일 수 있는가?
• RQ2 재학습 없이도 새로운, 이전에 본 적 없는 워크스페이스에 대해 이 프레임워크가 얼마나 잘 일반화되는가?
• RQ3 신경망 예측 프레임워크가 다양한 로봇 및 환경 구성에서 운동 계획 알고리즘의 속도와 안정성을 어느 정도 향상시키는가?
• RQ4 기존의 충돌 검출 절차를 대체함에도 불구하고, 프레임워크가 확률적 완전성을 유지하는가?
• RQ5 기존의 샘플링 기반 계획기의 핵심 구조를 수정하지 않고도 이 방법을 효율적으로 통합할 수 있는가?

주요 결과

• 3D 워크스페이스에서 평균 샘플 검증 시간이 최대 50% 감소하였으며, OB(장애물 다수) 환경에서는 20% 향상되었다.
• 3DC-9 워크스페이스에서 BS 샘플러의 평균 검증 시간은 0.015±0.005초에서 0.008±0.003초로 감소했고, OB 샘플러는 0.08±0.01초에서 0.04±0.01초로 감소했다.
• 3D 워크스페이스에서 총 쿼리 실행 시간은 OB 환경에서 9%, G 환경에서 10% 향상되었으며, BS에는 미미한 영향을 주었고, BT에서는 약 8%의 느려짐이 있었는데, 이는 낮은 품질의 샘플 때문일 가능성이 있다.
• 프레임워크를 사용할 경우 검증 시간의 표준편차가 감소하여 성능의 안정성과 일관성이 향상됨을 나타냈다.
• 기존에 인코딩되지 않은 환경에서도 일관된 성능 향상이 관찰되어, 새로운 워크스페이스로의 일반화 능력이 뛰어나다.
• 신뢰성 있는 결과를 확보하기 위해 예측이 불확실할 경우 재샘플링을 允허함으로써, 복잡하고 좁은 통로에서도 확률적 완전성을 유지한다.