[논문 리뷰] Reactive Task and Motion Planning under Temporal Logic Specifications

Shen Li, Daehyung Park외 3명|arXiv (Cornell University)|2021. 03. 26.

AI-based Problem Solving and Planning참고 문헌 27인용 수 9

한 줄 요약

이 논문은 선형 시간 논리(LTL) 사양과 행동 트리(BT)를 사용하여 인간의 간섭 상황에서도 로봇이 효율적으로 재계획할 수 있도록 하는 반응형 작업 및 운동 계획(TAMP) 프레임워크를 제안한다. 경험 기반의 점진적 그래프 탐색과 동적으로 재구성 가능한 행동 트리를 활용함으로써, 재계획 오버헤드를 최소화하고 원활한 실행을 보장하여 시뮬레이션 및 실제 UR5 로봇 실험에서 뛰어난 시간 효율성과 운동 비용 효율성을 달성한다.

ABSTRACT

We present a task-and-motion planning (TAMP) algorithm robust against a human operator's cooperative or adversarial interventions. Interventions often invalidate the current plan and require replanning on the fly. Replanning can be computationally expensive and often interrupts seamless task execution. We introduce a dynamically reconfigurable planning methodology with behavior tree-based control strategies toward reactive TAMP, which takes the advantage of previous plans and incremental graph search during temporal logic-based reactive synthesis. Our algorithm also shows efficient recovery functionalities that minimize the number of replanning steps. Finally, our algorithm produces a robust, efficient, and complete TAMP solution. Our experimental results show the algorithm results in superior manipulation performance in both simulated and real-world tasks.

연구 동기 및 목표

• 사전에 계산된 로봇 계획이 무효화되는 인간의 간섭 상황에서도 작업 완료를 유지하는 데 도전한다.
• 이전 계획 경험을 재사용하고 탐색 공간을 점진적으로 확장하여 재계획 중 계산 오버헤드를 줄인다.
• 환경 변화 상황에서도 실행을 원활하게 유지하기 위해 동적으로 재구성 가능한 행동 트리를 LTL 기반 계획과 통합한다.
• 최소한의 재계획으로도 강건하고 효율적이며 완전한 작업 및 운동 계획을 달성한다.
• 시뮬레이션 환경과 실제 로봇 조작 작업 모두에서 UR5 플랫폼을 활용해 효과성을 입증한다.

제안 방법

• 정확성 보장 설계를 위해 선형 시간 논리(LTL)를 사용하여 작업 목표를 수식화한다.
• 환경 변화 후 매번 전체 그래프를 재구성하지 않도록 효율적인 상태공간 탐색을 위한 부분적으로 확장된 제품 자동기계(PA)를 구성한다.
• 이전에 계산된 경로와 운동 비용을 재사용하는 경험 기반 A* 탐색을 구현하여 환경 변화 상황에서의 재계획 속도를 향상시킨다.
• 실행 중 정책 업데이트가 중단 없이 가능하도록 조건부 하위트리 활성화 기능을 갖춘 행동 트리(BT)를 통합한다.
• 환경 관측 결과에 따라 BT 노드를 동적으로 재구성하여 복구 범위를 최대화하고 전체 재계획에 대한 의존도를 줄인다.
• 기호적 작업 계획과 기하학적 운동 비용 최적화를 조합하여 준최적의 실행 가능한 동작 시퀀스를 생성한다.

실험 결과

연구 질문

• RQ1 인간의 간섭으로 환경이 변화할 경우(예: 물체 이동 또는 추가), 로봇이 어떻게 효율적으로 작업 및 운동 시퀀스를 재계획할 수 있는가?
• RQ2 이전 계획 경험을 얼마나 활용하면 환경 변화가 빈번한 상황에서 재계획의 계산 비용을 줄일 수 있는가?
• RQ3 조건부 하위트리 아키텍처를 갖춘 행동 트리가 작업 실행 중 전체 재계획이 필요한 경우를 효과적으로 줄일 수 있는가?
• RQ4 제안된 방법은 재계획 시간, 운동 비용, 완료 효율성 측면에서 기준 대비 어떤 성능을 보이는가?
• RQ5 이 프레임워크는 실제 인간-로봇 상호작용 환경에서 작업 완료와 원활한 실행을 보장할 수 있는가?

주요 결과

• 물체 이동 시나리오에서 경험 기반 A* 탐색은 총 재계획 시간을 표준 A*의 33.50±15.26초 및 Dijkstra의 30.40±13.06초 대비 0.69±0.43초로 줄였다.
• 물체 제거 시나리오에서는 경험 기반 방법이 총 재계획 시간을 A*의 52.57±8.18초 및 Dijkstra의 60.53±9.16초 대비 0.10±0.02초로 크게 감소시켰다.
• 물체 추가 시나리오에서는 경험 기반 접근법이 총 재계획 시간을 A*의 89.60±8.73초 및 Dijkstra의 116.16±16.35초 대비 20.61±0.86초로 줄였다.
• 모든 환경 변화 유형에 대해 30회의 시험에서 100% 성공률를 기록하여 강건성과 완전성을 입증했다.
• 경험 기반 방법을 사용한 경우 총 완료 시간이 크게 감소했다: 이동 시 466.50±34.80초, 제거 시 394.48±13.14초, 추가 시 647.00±24.67초로, 모든 기준보다 뛰어난 성능를 보였다.
• 부분적 그래프 구축 방법은 1,250개 상태를 초과하는 규모에서도 효율적으로 확장되었고, 전체 그래프 구축은 지수적으로 성능이 악화되어 대규모 시나리오에서의 우수성을 확인했다.