[논문 리뷰] Safe Feedback Motion Planning in Unknown Environments: An Instantaneous Local Control Barrier Function Approach

Cong Li, Zengjie Zhang외 4명|arXiv (Cornell University)|2021. 06. 09.

Robotic Path Planning Algorithms참고 문헌 39인용 수 7

한 줄 요약

이 논문은 온라인 학습된 순순간 국소 제어 장벽 함수(IL-CBFs)와 목표 지향 제어 리아프노프 함수(GD-CLFs)를 사용하여, 미지 환경에서 안전한 주행을 가능하게 하는 엔드 투 엔드, 인지 기반 피드백 운동 계획 프레임워크를 제안한다. 공유 제어 공간을 넓힌 정수기반 최적화를 통해 IL-CBFs와 GD-CLFs를 공동 최적화함으로써 실시간 충돌 회피 및 목표 향한 수렴을 보장하며, 이는 실외 및 실내 미로 시뮬레이션에서 이론적 안전 보장을 바탕으로 검증되었다.

ABSTRACT

Mobile robots are desired with resilience to safely interact with prior-unknown environments and finally accomplish given tasks. This paper utilizes instantaneous local sensory data to stimulate the safe feedback motion planning (SFMP) strategy with adaptability to diverse prior-unknown environments without building a global map. This is achieved by the numerical optimization with the constraints, referred to as instantaneous local control barrier functions (IL-CBFs) and goal-driven control Lyapunov functions (GD-CLFs), learned from perceptional signals. In particular, the IL-CBFs reflecting potential collisions and GD-CLFs encoding incrementally discovered subgoals are first online learned from local perceptual data. Then, the learned IL-CBFs are united with GD-CLFs in the context of quadratic programming (QP) to generate the safe feedback motion planning strategy. Rather importantly, an optimization over the admissible control space of IL-CBFs is conducted to enhance the solution feasibility of QP. The SFMP strategy is developed with theoretically guaranteed collision avoidance and convergence to destinations. Numerical simulations are conducted to reveal the effectiveness of the proposed SFMP strategy that drives mobile robots to safely reach the destination incrementally in diverse prior-unknown environments.

연구 동기 및 목표

• 기존의 지도-계획-트래킹 아키텍처에서 발생하는 누적 오차를 제거하기 위해 인지와 제어를 통합한 유일한 프레임워크를 구축한다.
• 사전 환경 지도 없이도 불확실한 미지 환경에서 안전한 자율 주행을 가능하게 한다.
• 온라인 학습된 제어 장벽 함수와 리아프노프 함수를 사용하여 이론적 안전성과 목표 향한 수렴을 보장한다.
• 다중 제약 조건을 통합할 때 공유 제어 공간을 확장하여 정수기반 제어 합성의 타당성을 향상시킨다.
• 저성능 로봇 플랫폼에 적합한 저연산량, 실시간 제어 전략을 개발한다.

제안 방법

• 장애물 경계 데이터와 같은 인지 신호에서 온라인으로 순순간 국소 제어 장벽 함수(IL-CBFs)를 학습하여 잠재적 충돌을 특성화한다.
• 감각 입력에서 점진적인 보조목표 발견을 통해 목표 지향 제어 리아프노프 함수(GD-CLFs)를 구성하여 장기적 수평 주행을 안내한다.
• 정수기반 최적화(QP) 프레임워크 내에서 IL-CBFs와 GD-CLFs를 공동 최적화하여 안전하고 타당한 제어 입력을 생성한다.
• 제어 입력 제약 조건 하에서 QP 최적화의 타당성을 향상시키기 위해 공유 제어 공간을 확장한다.
• 다항식 기저 함수(예: Φ = [1, x, x²])와 학습된 매개변수(예: α*)를 사용하여 IL-CBFs를 표현하고 동적 환경에 적응한다.
• 이중 단계 알고리즘 구현: 알고리즘 1은 IL-CBF 학습을, 알고리즘 2는 거리 최소화 기반의 보조목표 발견을 담당한다.

실험 결과

연구 질문

• RQ1 부분적이고 실시간적인 센서 데이터로부터 IL-CBFs를 효과적으로 온라인 학습시켜 미지 환경에서의 충돌 회피를 보장할 수 있는가?
• RQ2 감각 입력에서 어떻게 점진적으로 보조목표를 발견하여 전역 지도 없이도 장기 수평 주행을 가능하게 할 수 있는가?
• RQ3 다중 CBF 및 CLF 제약 조건을 통합할 때 공유 제어 공간을 확장하면 QP 기반 제어 합성의 타당성이 향상되는가?
• RQ4 온라인 학습된 IL-CBFs와 GD-CLFs의 통합이 미로와 같은 복잡한 환경에서 안전성과 수렴성을 보장하는가?
• RQ5 저비용 로봇 플랫폼에서 흔히 발생하는 계산 및 센서 제약 조건 하에서 제안된 방법의 성능은 어떠한가?

주요 결과

• 동적 장애물이 있는 실외 시나리오에서 이동 로봇은 순차적으로 발견된 보조목표를 통해 목표 지점에 성공적으로 도달했다.
• 실내 미로 환경에서는 복잡한 기하학적 구조와 다수의 잠재적 충돌 영역이 존재했음에도 불구하고 로봇은 안전한 주행을 달성하고 목표 위치에 도달했다.
• 최단 경로 히ュ리스틱이 비최적 경로로 이어지는 경우에도 제어 전략이 안전한 경로를 유지했으며, 그 예시는 그림 10(a)의 파란 사각형 영역에서 관찰되었다.
• QP 수식 내 최적화된 매개변수 α*는 주행 중에 적응적인 안전성과 성능 간의 트레이드오���을 반영하며 동적으로 변화했다.
• 환경의 불확실성과 센서 노이즈에 대해 뚜렷한 강건성을 보였으며, 두 시뮬레이션 시나리오 모두에서 충돌이 관측되지 않았다.
• 공유 제어 공간 확장을 통해 QP 타당성이 크게 향상되어 입력 제약 조건 하에서도 안정적인 실시간 제어가 가능했다.