[논문 리뷰] Robust Active Perception via Data-association aware Belief Space planning

Shashank Pathak, Antony Thomas외 2명|arXiv (Cornell University)|2016. 06. 16.

Robotics and Sensor-Based Localization참고 문헌 31인용 수 4

한 줄 요약

이 논문은 인지적 오진( perceptual aliasing)과 위치 추정 불확실성 문제를 다루기 위해 확률적 데이터 연동을 믿음 공간 계획( belief space planning)에 통합한 새로운 프레임워크인 데이터 연동 인식 신뢰 공간 계획(DA-BSP)을 제안한다. 믿음이 분포의 혼합으로 모델링되고 모호성 감소를 최적화함으로써 DA-BSP는 능동적 오진 해소를 가능하게 하여, 표준 BSP보다 오진 환경에서 데이터 연동 정확도 향상과 불확실성 감소 측면에서 측정 가능한 성능 향상을 이룬다.

ABSTRACT

We develop a belief space planning (BSP) approach that advances the state of the art by incorporating reasoning about data association (DA) within planning, while considering additional sources of uncertainty. Existing BSP approaches typically assume data association is given and perfect, an assumption that can be harder to justify while operating, in the presence of localization uncertainty, in ambiguous and perceptually aliased environments. In contrast, our data association aware belief space planning (DA-BSP) approach explicitly reasons about DA within belief evolution, and as such can better accommodate these challenging real world scenarios. In particular, we show that due to perceptual aliasing, the posterior belief becomes a mixture of probability distribution functions, and design cost functions that measure the expected level of ambiguity and posterior uncertainty. Using these and standard costs (e.g.~control penalty, distance to goal) within the objective function, yields a general framework that reliably represents action impact, and in particular, capable of active disambiguation. Our approach is thus applicable to robust active perception and autonomous navigation in perceptually aliased environments. We demonstrate key aspects in basic and realistic simulations.

연구 동기 및 목표

• 표준 믿음 공간 계획(BSP)이 완전하고 주어진 데이터 연동(DAS)을 전제로 하여 오직 인지적 오진 환경에서는 실패한다는 한계를 해결한다.
• 센서 관측치가 모호한 실세계 로봇 시나리오에서 인지적 오진과 위치 추정 불확실성을 다루는 데 도전한다.
• 능동적 오진 해소를 가능하게 하는 통합된 계획-추론-실행 프레임워크를 개발한다.
• 믿음 진화와 비용 함수에 직접적으로 데이터 연동 추론을 통합하여 확장 가능하고 강인한 인식을 실현한다.
• 모의 환경과 실제 환경 모두에서 프레임워크의 유효성을 입증하며, 다층 층 계층 로봇 주행 작업을 포함한다.

제안 방법

• 인지적 오진으로 인해 발생하는 다수의 가능한 데이터 연동을 반영하기 위해 로봇의 믿음을 확률 밀도 함수의 혼합으로 모델링한다.
• 기본 항목(제어 페널티, 목적지까지의 거리)에 더해 예상 모호성(데이터 연동 비용을 통해 측정)과 사후 불확실성(최악의 공분산, Worst-Cov)을 포함한 비용 함수를 설정한다.
• 다른 행동에 따른 믿음 진화의 품질을 평가하기 위해 믿음의 발산 정도를 측정하기 위해 KL 발산(KL_u)을 사용한다.
• 데이터 연동 추론을 믿음 갱신 과정에 통합하여 계획자가 행동 선택을 통해 모호성을 사전에 예측하고 해결할 수 있도록 한다.
• 신뢰도가 낮은 연동을 제거하기 위해 단순한 임계값 기반 메커니즘을 적용하여 믿음 모드의 지수적 증가에도 불구하고 확장 가능성을 확보한다.
• 후보 행동을 평가하기 위해 표본 기반 접근을 사용하여 믿음 진화를 시뮬레이션하고 다수의 가설에 걸쳐 기대 비용을 계산한다.

실험 결과

연구 질문

• RQ1 인지적 오진과 위치 추정 불확실성이 존재하는 상황에서 믿음 공간 계획이 데이터 연동을 고려할 수 있도록 어떻게 확장할 수 있는가?
• RQ2 통합된 계획 프레임워크가 최적의 시점 또는 행동 선택을 통해 모호한 센서 관측치를 능동적으로 해소할 수 있는가?
• RQ3 능동적 인식에서 모호성 감소, 불확실성 최소화, 제어 노력 간의 균형을 효과적으로 확보하기 위해 필요한 비용 구성 요소는 무엇인가?
• RQ4 모호한 환경에서 표준 BSP에 비해 DA-BSP는 데이터 연동 정확도와 믿음 품질 측면에서 어떻게 비교되는가?
• RQ5 제안된 프레임워크는 인지적 오진이 존재하는 실제 로봇 주행 작업에 대해 확장 가능하고 적용 가능한가?

주요 결과

• DA-BSP는 모호성과 사후 불확실성을 크게 감소시켰다: 기본 시뮬레이션에서 DA-BSP 계획자는 $fwd_2$ 동작에 대해 데이터 연동 정확도(η_da) 1.00을 달 đạt하였고, $fwd_1$은 0.18, $bwd_1$은 0.08이었다.
• DA-BSP 계획자는 표준 BSP 대비 믿음 모호성의 90% 감소를 이룩하였으며(KL_u 측정), 최악의 공분산(Worst-Cov)은 0.66로 BSP의 5.36보다 훨씬 낮았다.
• 실제 다층 층 주행 시나리오에서 DA-BSP는 층의 정체성을 해소할 수 있는 경로를 성공적으로 계획하였고, 표준 BSP는 동일한 확률의 믿음 모드로 인해 실패하였다.
• 효과적인 정제 덕분에 믿음 모드의 수가 관리 가능했으며($fwd_2$의 추론 시 2개의 모드), 이론적으로 지수적 증가가 예상됨에도 불구하고 확장 가능성을 입증하였다.
• $fwd_2$에 대해 비용이 -166.03로 낮은 불확실성과 낮은 비용 간의 유리한 트레이드오프를 나타내었고, 열악한 $bwd_1$ 동작은 비용 6571.29를 기록하여 계획자가 열악한 결정을 피할 수 있음을 보여주었다.
• Pioneer 로봇을 사용한 실제 환경 배치에서 프레임워크는 표준 BSP가 실패한 3층 오진 환경에서 모호성을 성공적으로 해결하며 강인함을 입증하였다.