[논문 리뷰] Safe Multi-Agent Interaction through Robust Control Barrier Functions with Learned Uncertainties

Richard Cheng, Mohammad Javad Khojasteh외 2명|arXiv (Cornell University)|2020. 04. 11.

Gaussian Processes and Bayesian Inference참고 문헌 41인용 수 19

한 줄 요약

이 논문은 다이나믹하고 불확실한 환경에서의 안전성을 보장하기 위해 행렬 변수 가우시안 프로세스(MVG)를 통해 학습된 불확실성 범위를 통합한 강건한 다중 에이전트 제어 장벽 함수(CBF)를 제안한다. 최소-최대 강건 CBF를 실시간 2차 프로그래밍으로 변환함으로써 시뮬레이션에서 98.5%의 충돌 방지 성능을 달성하며, 명목상 CBF보다 뛰어난 성능을 보이며 동시에 낮은 보수성(conservativeness)을 유지한다.

ABSTRACT

Robots operating in real world settings must navigate and maintain safety while interacting with many heterogeneous agents and obstacles. Multi-Agent Control Barrier Functions (CBF) have emerged as a computationally efficient tool to guarantee safety in multi-agent environments, but they assume perfect knowledge of both the robot dynamics and other agents' dynamics. While knowledge of the robot's dynamics might be reasonably well known, the heterogeneity of agents in real-world environments means there will always be considerable uncertainty in our prediction of other agents' dynamics. This work aims to learn high-confidence bounds for these dynamic uncertainties using Matrix-Variate Gaussian Process models, and incorporates them into a robust multi-agent CBF framework. We transform the resulting min-max robust CBF into a quadratic program, which can be efficiently solved in real time. We verify via simulation results that the nominal multi-agent CBF is often violated during agent interactions, whereas our robust formulation maintains safety with a much higher probability and adapts to learned uncertainties

연구 동기 및 목표

• 다양한 에이전트가 존재하는 불확실한 실세계 환경에서 작동하는 다중 에이전트 로봇 시스템의 안전 확보라는 핵심 과제를 해결한다.
• 에이전트 동역학에 대한 정확한 지식을 가정하는 명목상 다중 에이전트 CBF의 한계를 극복한다. 실세계의 불확실성 하에서는 종종 실패하기 때문이다.
• 로봇과 다른 에이전트의 동역학에 대한 고신뢰도 불확실성 범위를 통합한 계산 효율성이 높은 강건 CBF 프레임워크를 개발한다.
• 관측된 에이전트 트레이제터리에서 유도된 행렬 변수 가우시안 프로세스(MVG)를 사용해 동적 불확실성 범위를 온라인으로 학습한다.
• 강건 CBF를 2차 프로그래밍(QP)으로 재구성함으로써 실시간 계산 효율성을 유지하면서도 고확률로 안전성을 보장한다.

제안 방법

• 행렬 변수 가우시안 프로세스(MVG)를 사용해 다른 에이전트와 로봇의 동역학에서 상태에 따라 달라지는 상관관계가 있는 불확실성을 모델링하고 학습한다.
• 상호작용 데이터를 사용해 오프라인으로 MVG 하이퍼파rameter를 최적화하여 고신뢰도 타원형 불확실성 추정치를 생성한다.
• 학습된 불확실성 타원체를 원하는 신뢰 수준(예: 95% 또는 99%)에서 다각형 경계로 변환하여 강건 제어 설계에 활용한다.
• 학습된 경계 내 최악의 불확실성에 대비해 안전성을 보장하는 최소-최대 강건 CBF를 제작한다.
• 최소-최대 강건 CBF 최적화 문제를 실시간으로 효율적으로 해결할 수 있도록 2차 프로그래밍(QP)으로 변환한다.
• 강건 CBF를 베이지안 추론 모듈과 함께 통합한 계층적 제어 아키텍처에 통합한다.

실험 결과

연구 질문

• RQ1 관측된 에이전트 트레이제터리에서 유도된 동적 불확실성 범위는 다중 에이전트 로봇 주행의 안전성 향상에 기여하는가?
• RQ2 학습된 불확실성 범위를 강건 CBF 프레임워크에 통합할 경우, 명목상 CBF에 비해 충돌 회피 성능에 어떤 영향을 미치는가?
• RQ3 불확실성 하에서 안전성을 확보하면서도 성능(즉, 최소한의 간섭성 제어)을 어느 정도 유지할 수 있는가?
• RQ4 행렬 변수 가우시안 프로세스는 다중 에이전트 시스템에서 상호의존적이고 상태에 따라 달라지는 불확실성을 효과적으로 모델링하고 경계할 수 있는가?
• RQ5 실제로 무작위로 설정된 다중 에이전트 시뮬레이션에서, 강건 CBF는 명목상 CBF에 비해 안전성 확률과 보수성 측면에서 어떻게 성능을 발휘하는가?

주요 결과

• 강건한 다중 에이전트 CBF는 1,000회의 랜덤라이즈된 시험에서 1.5%의 충돌률을 기록했으며, 이는 명목상 CBF의 15.0% 충돌률에 비해 뚜렷이 뛰어난 성능을 보였다.
• 강건 CBF는 최소 1−δ(δ=0.05)의 확률로 안전 집합의 전방 불변성(Forward invariance)을 보장함으로써 안전 보장을 확보했다.
• 강건 CBF의 평균 충돌 거리는 7.4±2.3미터였고, 명목상 CBF는 7.3±2.1미터였으며, 이는 향상된 안전성에도 불구하고 추가적인 보수성은 최소한이었다.
• 실제 외란의 약 97%와 99%가 각각 2σ 및 3σ 불확실성 타원체 내에 포함되었으며, 이는 MVG 기반 불확실성 모델의 정확성을 검증한 것이다.
• 불확실성 타원체는 상태에 따라 달라지며, 공정한 비교를 위해 각 상태별로 정규화되었으며, 이는 MVG 모델이 실제 동역학 불확실성 분포를 효과적으로 포착했음을 확인한다.
• 시뮬레이션 영상과 코드는 공개되어 있으며, 복잡하고 비정형적인 다중 에이전트 환경에서 강건 CBF의 실시간 실행 가능성과 성능을 입증한다.