[논문 리뷰] Scaling Local Control to Large-Scale Topological Navigation

Xiangyun Meng, Nathan Ratliff외 2명|arXiv (Cornell University)|2019. 09. 26.

Robotics and Sensor-Based Localization참고 문헌 30인용 수 5

한 줄 요약

이 논문은 도달 가능성 추정기로 로컬 제어와 장기 계획을 분리하여 확장성 있고 강건한 시각적 토폴로지 기반 주행 시스템을 제안한다. Riemannian Motion Policy(RMP) 컨트롤러와 딥 러닝 기반 도달 가능성 추정기를 시뮬레이션에서 훈련함으로써, 실물 로봇에 대한 피지컬 튜닝 없이도 일반화가 가능하며, 대규모 실내 환경에서 84.6–95.7%의 계획 성공률을 달성한다.

ABSTRACT

Visual topological navigation has been revitalized recently thanks to the advancement of deep learning that substantially improves robot perception. However, the scalability and reliability issue remain challenging due to the complexity and ambiguity of real world images and mechanical constraints of real robots. We present an intuitive solution to show that by accurately measuring the capability of a local controller, large-scale visual topological navigation can be achieved while being scalable and robust. Our approach achieves state-of-the-art results in trajectory following and planning in large-scale environments. It also generalizes well to real robots and new environments without retraining or finetuning.

연구 동기 및 목표

• 시각적 모호성, 제어 노이즈, 동적 장애물로 인한 대규모 시각적 토폴로지 기반 주행의 확장성과 신뢰성 문제를 해결한다.
• 이전 방법들이 완벽한 궤적 추종을 가정하거나 확률적 계획 기능이 부족한 한계를 극복한다.
• 피지컬 튜닝 없이도 시뮬레이션 데이터만으로도 실세계 환경에서 강건한 주행을 가능하게 한다.
• 새로운 경험을 만나면만 확장되는, 컴 pact하고 적응형 토폴로지 지도를 개발한다.
• 불확실성 인식 주행과 위험 평가가 가능한 확률적 프레임워크를 제공한다.

제안 방법

• 비가역 제약, 제어 노이즈, 장애물 회피를 처리하기 위해 국소 반응형 컨트롤러로 Riemannian Motion Policy(RMP)를 사용한다.
• 관측 상태에서 목표 이미지에 도달할 수 있는 능력을 측정하기 위해 딥 네트워크 기반 도달 가능성 추정기를 훈련한다.
• 도달 가능성 추정기를 사용해 궤적을 희소화함으로써, 도달 가능한 영역을 확장하는 경험들만 유지함으로써 토폴로지 지도를 구성한다.
• 다양한 경험의 도달 가능성 확률을 조합하여 경로 가능성 확률을 계산함으로써, 확률적 경로 계획을 가능하게 한다.
• 경로 가능성 확률을 위험도 지표로 사용하여 실행 전 성공 가능성을 평가하고, 실패 방지 결정을 가능하게 한다.
• RGB 이미지와 시뮬레이션된 로봇 동역학을 사용해 전체 시스템을 시뮬레이션에서 엔드 투 엔드로 훈련함으로써, 실물 로봇에 대한 제로샷 배포를 가능하게 한다.

실험 결과

연구 질문

• RQ1 학습된 도달 가능성 추정기가 대규모 실세계 환경에서 시각적 토폴로지 기반 주행의 강건성과 확장성에 기여하는가?
• RQ2 시뮬레이션으로 훈련된 주행 시스템이 피지컬 튜닝 없이도 실물 로봇으로 일반화되는 정도는 어느 정도인가?
• RQ3 시스템은 강한 대칭성을 띤 시각적 일치 환경과 망각된 환경에서 얼마나 잘 작동하는가?
• RQ4 환경 복잡도에 따라 적응하는 컴 pact하고 효율적인 토폴로지 지도를 유지하면서도 높은 계획 성공률을 유지할 수 있는가?
• RQ5 경로 가능성 확률이 실질적 성공률을 신뢰할 수 있는 지표로 기능하는가? 이를 통해 불확실성 인식 주행이 가능한가?

주요 결과

• 제안된 방법은 시뮬레이션에서 다섯 개의 대규모 실내 환경에서 86.9%에서 95.7%의 계획 성공률을 달성하며, SPTM(40.2%에서 51.3%)를 크게 능가한다.
• 피지컬 튜닝 없이도 실세계 RC 차량으로 일반화되어, 오직 3,200장의 실사 이미지로 구성된 지도만으로도 예측 불가능한 장애물과 복잡한 레이아웃을 성공적으로 통과한다.
• 경로 가능성 확률은 실측 성공률과 강한 상관관계를 보이며(R² ≈ 0.9, 그림 10 참조), 계획 시 신뢰할 수 있는 위험도 지표로 사용될 수 있음을 검증한다.
• 원래 궤적의 60%만으로도 최고 성능의 90%를 유지하며, 새로운 주행 과제에 대한 강력한 일반화 능력을 보여준다.
• 원시 관측 수에 비해 토폴로지 지도의 크기가 비선형적으로 증가하며, 새로운 경험으로 도달 가능한 영역이 확장될 때에만 정점을 추가함으로써 공간 및 계산 효율성을 확보한다.
• 실행 중 차이를 감지함으로써 시각적 일치 문제를 해결한다—예를 들어 복도를 방으로 잘못 인식하는 경우—이를 통해 동적 경로 재계획 및 목표지점 도달에 성공한다.