[논문 리뷰] Robot Motion Planning in Learned Latent Spaces

Brian Ichter, Marco Pavone|arXiv (Cornell University)|2018. 07. 26.

Human Pose and Action Recognition참고 문헌 18인용 수 6

한 줄 요약

이 논문은 고차원 로봇 시스템을 위한 운동 계획을 가능하게 하는 잠재 샘플링 기반 운동 계획(Latent Sampling-based Motion Planning, L-SBMP)을 소개한다. 이는 오토에인코더, 동역학 네트워크, 충돌 체크 네트워크를 사용하여 계획 가능한 잠재 공간을 학습함으로써 이루어지며, 원시 상태 및 액션 데이터를 기반으로 이러한 구성 요소들을 훈련시켜, 잠재 공간 내에서 RRT 기반 알고리즘(L2RRT)을 통한 전역 계획을 실현한다. 이로 인해 인간형 로봇 및 시각적 계획 작업에서 100% 성공률를 달성하였고, 충돌 예측 정확도는 95%에 도달하였다.

ABSTRACT

This paper presents Latent Sampling-based Motion Planning (L-SBMP), a methodology towards computing motion plans for complex robotic systems by learning a plannable latent representation. Recent works in control of robotic systems have effectively leveraged local, low-dimensional embeddings of high-dimensional dynamics. In this paper we combine these recent advances with techniques from sampling-based motion planning (SBMP) in order to design a methodology capable of planning for high-dimensional robotic systems beyond the reach of traditional approaches (e.g., humanoids, or even systems where planning occurs in the visual space). Specifically, the learned latent space is constructed through an autoencoding network, a dynamics network, and a collision checking network, which mirror the three main algorithmic primitives of SBMP, namely state sampling, local steering, and collision checking. Notably, these networks can be trained through only raw data of the system's states and actions along with a supervising collision checker. Building upon these networks, an RRT-based algorithm is used to plan motions directly in the latent space - we refer to this exploration algorithm as Learned Latent RRT (L2RRT). This algorithm globally explores the latent space and is capable of generalizing to new environments. The overall methodology is demonstrated on two planning problems, namely a visual planning problem, whereby planning happens in the visual (pixel) space, and a humanoid robot planning problem.

연구 동기 및 목표

• 인간형 로봇이나 시각적 공간 계획자와 같은 고차원 로봇 시스템에서 샘플링 기반 운동 계획(SBMP)의 비가역성 문제를 해결하기 위해.
• 동역학과 충돌 제약 조건을 유지하는 저차원의 계획 가능한 잠재 공간을 학습하여, 복잡한 고차원 시스템에서 전역 운동 계획을 가능하게 하기 위해.
• 재훈련 없이도 새로운 환경으로의 일반화를 가능하게 하기 위해 학습된 충돌 체크기 및 동역학 모델을 사용하기 위해.
• 샘플링, 스티어링, 충돌 체크와 같은 SBMP의 기본 요소들을 딥 네트워크를 사용한 미분 가능하고 종단 간 훈련 가능한 프레임워크로 통합하기 위해.

제안 방법

• 고차원 로봇 상태의 저차원 잠재 표현을 학습하기 위해 오토에인코더를 훈련시켜, 잠재 공간 내에서 상태 샘플링을 가능하게 한다.
• 잠재 공간 내에서 상태 전이를 예측하는 동역학 네트워크를 훈련시켜, SBMP 내 국소 스티어링을 모방하고 동역학적으로 타당한 연결을 가능하게 한다.
• 두 잠재 상태 사이의 궤적에 충돌이 있는지 예측하기 위해 별도의 충돌 체크 네트워크를 훈련시켜, 새로운 환경으로의 일반화를 가능하게 한다.
• 학습된 동역학 및 충돌 체크기로 나무 확장을 안내하는, 잠재 공간 내에서 전역 탐색을 수행하는 학습된 잠재 RRT(L2RRT) 알고리즘을 사용한다.
• 최종 궤적은 오토에인코더를 통해 전체 상태 공간으로 복원되고, 국소 제어 방법을 사용하여 실행된다.
• 모든 구성 요소는 전문가 지침이나 진짜 동역학 데이터가 필요 없이 원시 상태-액션 데이터와 감독 충돌 체크기만을 사용하여 종단 간 훈련된다.

실험 결과

연구 질문

• RQ1 학습된 잠재 공간이 고차원 로봇 시스템의 핵심 동역학을 효과적으로 인코딩하여 전역 운동 계획을 가능하게 할 수 있는가?
• RQ2 원시 데이터에서 훈련된 충돌 체크 네트워크가 재훈련 없이도 새로운 환경으로 일반화할 수 있는가?
• RQ3 잠재 공간 내에서 RRT 기반 계획자가 인간형 보행과 같은 복잡한 고차원 문제에서 높은 성공률와 수렴을 달성할 수 있는가?
• RQ4 학습된 잠재 공간이 원래 상태 공간의 위상적 구조를 어느 정도 유지하면서도 효율적인 탐색을 가능하게 하는가?
• RQ5 전체 상태 SBMP에 비해 잠재 공간 내에서의 계획의 샘플 효율성과 계산 비용은 어떠한가?

주요 결과

• L2RRT는 수백 개의 샘플 이내에 인간형 로봇 운동 계획 문제를 100% 성공률로 해결하였다.
• 충돌 체크 네트워크는 오직 0.7%의 거짓 긍정률을 기록하며 94.7%의 정확도를 달성하여, 새로운 환경으로의 강력한 일반화 능력을 입증하였다.
• 오토에인코더에 의해 학습된 잠재 공간은 인간형 로봇의 주요 동역학, 예를 들어 질량 중심 위치와 야위(Yaw)를 잘 포착하였고, 고주파수 관절 변동성은 억제하였다.
• 샘플 수가 증가함에 따라 궤적 비용이 수렴하여 시간이 지남에 따라 안정적이고 향상되는 계획 품질을 나타내었다.
• 1000개의 샘플을 사용할 경우 평균적으로 15초 내에 해를 도출하는 것으로 나타나 실용적인 런타임 성능를 입증하였다.
• 이 방법은 전체 상태 SBMP가 비가역적인 고차원 인간형 로봇 시스템과 시각적 공간에서의 계획을 성공적으로 가능하게 하였다.