[논문 리뷰] Pushing Fast and Slow: Task-Adaptive MPC for Pushing Manipulation Under Uncertainty

Wisdom C. Agboh, Mehmet R. Doğar|arXiv (Cornell University)|2018. 05. 08.

Modular Robots and Swarm Intelligence참고 문헌 30인용 수 6

한 줄 요약

이 논문은 작업 정확도 요구 사항에 따라 운동 속도를 동적으로 조정하는 작업 적응형 모델 예측 제어(MPC) 프레임워크를 제안한다—정밀도가 높은 작업에는 속도를 늦추고, 정확도가 낮은 작업에는 빠르게 진행한다. 이는 MDP 설정과 가변 속도 프로파일을 사용한 궤적 최적화를 결합하여 행동 탐색을 효율적으로 수행하고 계산 시간을 줄인다.

ABSTRACT

We propose a model predictive control approach to pushing based manipulation. The key feature of the algorithm is that it can adapt to the accuracy requirements of a task, by slowing down and generating careful motion when the task requires high accuracy, and by speeding up and moving fast when the task allows inaccuracy. We formulate the problem as an MDP and use an approximate online solution to the MDP. We use a trajectory optimizer with a deterministic model to suggest promising actions to the MDP, to reduce computation time spent on evaluating different actions. The trajectory optimizer is then initialized with trajectories with different speed profiles to generate a variety of actions for the MDP that can adapt to different tasks.

연구 동기 및 목표

• 작업 정확도가 크게 변동하는 불확실성 하에서의 로봇 밀기 조작 문제를 해결한다.
• 작업에 특화된 정확도 요구 사항에 따라 동적으로 조정되는 운동 계획을 가능하게 한다.
• 궤적 최적화를 활용해 행동 선택을 안내함으로써 온라인 MPC의 계산 비용을 줄인다.
• 모델 예측 제어와 속도 적응형 운동 생성을 통합하여 밀기 작업의 강인성과 효율성을 향상시킨다.

제안 방법

• 불확실성 하에서의 결정을 모델링하기 위해 밀기 조작 문제를 마르코프 결정 과정(MDP)으로 설정한다.
• 실시간 제어 결정을 가능하게 하기 위해 MDP의 근사 온라인 해법을 사용한다.
• 정적 모델과 궤적 최적화기를 통합하여 MDP의 유망한 후보 행동을 생성한다.
• 다양한 속도 프로파일을 초기화 값으로 사용하여 다양한 작업 요구 사항에 적합한 행동 집합을 생성한다.
• 작업 정확도 요구 사항에 따라 행동을 동적으로 선택한다—정밀도가 높은 작업에는 느린, 정밀한 운동을, 정확도 요구가 낮은 작업에는 빠른 운동을 사용한다.
• 궤적 최적화기가 제안한 고품질 행동에 국한하여 MDP 평가를 수행함으로써 계산 시간을 절감한다.

실험 결과

연구 질문

• RQ1 모델 예측 제어는 로봇 밀기 작업에서 정확도 요구 사항이 다양할 경우 어떻게 적응시킬 수 있는가?
• RQ2 가변 속도 초기화를 갖는 궤적 최적화기와 MPC를 통합할 경우 효율성과 성능에 어떤 영향을 미치는가?
• RQ3 작업 적응형 MPC 프레임워크는 강인성을 유지하면서도 계산 비용을 줄일 수 있는가?
• RQ4 동적 속도 조절은 밀기 조작에서 작업 성공률과 실행 시간에 어떤 영향을 미치는가?
• RQ5 제한된 계산 자원으로도 실시간 로봇 제어에 효과적인 근사 온라인 MDP 해법은 어느 정도 유용한가?

주요 결과

• 제안된 방법은 작업 정확도 요구 사항에 따라 운동 속도를 적응적으로 조절하여 고정밀도 및 고속 실행 모드를 모두 구현한다.
• 가변 속도 초기화를 갖는 궤적 최적화기와의 통합은 MDP 내 행동 평가에 대한 계산 시간을 크게 줄인다.
• 다양한 속도 프로파일에서 유도된 고품질 행동에 집중함으로써 MDP 평가를 효율적으로 수행함으로써 시스템의 효율성이 향상된다.
• 작업 요구 사항에 따라 제어 정책을 동적으로 조정함으로써 불확실성 하에서도 뛰어난 강인성을 유지한다.
• 효율적인 온라인 MDP 근사화를 통해 실시간 동작이 가능해져 실용적인 로봇 밀기 응용 분야에 적합하다.
• 특히 혼합 정확도 조작 작업에서 고정 속도 MPC에 비해 훨씬 뛰어난 적응성을 보여준다.