[논문 리뷰] Real-Time Trajectory Planning for AGV in the Presence of Moving Obstacles: A First-Search-Then-Optimization Approach

Bai Li, Youmin Zhang외 5명|arXiv (Cornell University)|2019. 02. 17.

Robotic Path Planning Algorithms참고 문헌 28인용 수 6

한 줄 요약

이 논문은 이동 장애물이 존재하는 환경에서 AGV의 실시간 궤적 계획을 위한 '먼저 검색하고 나서 최적화' 프레임워크를 제안한다. 이는 시공간 그래프에서 A* 탐색을 사용하여 비선형 프로그래밍(NLP) 솔버의 고급 초깃값을 생성함으로써, 검증된 실시간 성능을 확보한 채로 빠르고 최적이며 통합된 궤적 해를 도출한다. 시뮬레이션에서 성능을 입증하였다.

ABSTRACT

This paper focuses on automatic guided vehicle (AGV) trajectory planning in the presence of moving obstacles with known but complicated trajectories. In order to achieve good solution precision, optimality and unification, the concerned task should be formulated as an optimal control problem, and then discretized into a nonlinear programming (NLP) problem, which is numerically optimized thereafter. Without a near-feasible or near-optimal initial guess, the NLP-solving process is usually slow. With the purpose of accelerating the NLP solution, a search-based rough planning stage is added to generate appropriate initial guesses. Concretely, a continuous state space is formulated, which consists of Cartesian product of 2D configuration space and a time dimension. The rough trajectory is generated by a graph-search based planner, namely the A* algorithm. Herein, the nodes in the graph are constructed by discretizing the aforementioned continuous spatio-temporal space. Through this first-search-then-optimization framework, optimal solutions to unified trajectory planning problems can be obtained fast. Simulations have been conducted to verify the real-time performance of our proposal.

연구 동기 및 목표

• 이동 장애물이 존재하는 동적 환경을 주행하는 AGV의 실시간 최적 궤적 계획 과제를 해결한다.
• 시간에 따라 변화하는 복잡한 환경에서 비선형 프로그래밍(NLP) 솔버의 수렴 속도 저하 문제를 해결한다. 이는 열악한 초깃값으로 인한 것이다.
• 정적 장애물과 동적 장애물을 모두 처리할 수 있는 단일 최적 제어 공식화로 궤적 계획을 통합한다.
• 히우리스틱 탐색을 통해 정보 기반의 초기 궤적을 생성함으로써 실시간 배포에 적합한 빠른 해를 도출한다.
• 이중 단계 프레임워크인 그래프 탐색을 통한 초기화와 수치 최적화를 통한 해의 최적성 및 타당성 확보를 통해 해의 최적성과 타당성을 보장한다.

제안 방법

• 궤적 계획 문제를 4차원 시공간 공간(2차원 위치 + 시간)에서 연속 최적 제어 문제로 공식화한다.
• 수치적 해를 위해 연속 문제를 비선형 프로그래밍(NLP) 문제로 이산화한다.
• 2차원 구성 공간과 시간 차원을 격자 형태로 이산화하여 시공간 공간 내에 그래프를 구축한다.
• 이산화된 그래프에서 A* 알고리즘을 적용하여 근사 최적 궤적을 탐색하고, NLP 솔버의 초깃값을 생성한다.
• A*로 생성된 궤적을 초깃값으로 사용하여 NLP 솔버의 수렴 속도를 가속화하고 최적 해에로의 수렴을 도모한다.
• 탐색 단계는 빠른 초기화를 보장하고 최적화 단계는 해의 품질을 확보하는 실시간 파이프라인에 전체 프레임워크를 통합한다.

실험 결과

연구 질문

• RQ1 이동 장애물이 존재하는 환경에서 AGV의 실시간 궤적 계획 시스템은 어떻게 최적성과 수렴 속도를 동시에 확보할 수 있는가?
• RQ2 히우리스틱 탐색 기반의 초깃값이 동적 궤적 계획에서 비선형 프로그래밍 솔버의 수렴 속도에 미치는 영향은 무엇인가?
• RQ3 통합 최적 제어 공식화는 정적 장애물과 이동 장애물을 효과적으로 동시에 처리할 수 있는가?
• RQ4 A*를 통한 시공간 그래프 표현 방식은 직접 NLP 해법 대비 해의 시간과 품질 측면에서 어떻게 비교되는가?
• RQ5 동적 환경에서 '먼저 검색하고 나서 최적화' 프레임워크를 사용할 경우 실시간 성능은 어느 정도 달성할 수 있는가?

주요 결과

• 제안된 '먼저 검색하고 나서 최적화' 프레임워크는 고급 초깃값을 제공함으로써 NLP 솔버의 수렴 속도를 크게 향상시킨다.
• 시뮬레이션 결과 실시간 성능을 입증하였으며, 동적 환경에서 온라인 배포에 적합한 해 시간을 확보하였다.
• A*의 전역 탐색 능력과 NLP 최적화의 정밀도를 조합함으로써 최적이고 타당한 궤적을 도출하였다.
• 시공간 그래프 표현 방식을 통해 복잡한 알려진 궤적을 가진 이동 장애물을 효과적으로 모델링할 수 있었다.
• 단일 최적 제어 공식화에 통합함으로써 궤적 계획의 일관성과 해 품질을 향상시켰다.
• 초기화 없이 직접 NLP 해법을 사용하는 것에 비해 계산 시간을 줄이면서도 해의 최적성을 유지하였다.