[논문 리뷰] Stochastic Functional Gradient Path Planning in Occupancy Maps

Gilad Francis, Lionel Ott외 1명|arXiv (Cornell University)|2017. 05. 17.

Robotic Path Planning Algorithms참고 문헌 19인용 수 3

한 줄 요약

이 논문은 점진적 커널 기반 경로 표현을 사용하여 점진적 기능 경사 경로 계획자를 제안함으로써 점유도 맵에서 효율적이고 확장 가능한 경로 최적화를 가능하게 한다. 고정 선형 계산 비용을 갖는 확률적 경사 하강법을 활용함으로써, 비모수적 가우시안 프로세스 계획자와 RRT*와 같은 샘플 기반 방법에 비해 더 빠른 수렴 속도와 뛰어난 경로의 매끄러움을 달성하면서도, 시뮬레이션과 실제 데이터 모두에서 안전성과 효율성을 유지한다.

ABSTRACT

Planning safe paths is a major building block in robot autonomy. It has been an active field of research for several decades, with a plethora of planning methods. Planners can be generally categorised as either trajectory optimisers or sampling-based planners. The latter is the predominant planning paradigm for occupancy maps. Trajectory optimisation entails major algorithmic changes to tackle contextual information gaps caused by incomplete sensor coverage of the map. However, the benefits are substantial, as trajectory optimisers can reason on the trade-off between path safety and efficiency. In this work, we improve our previous work on stochastic functional gradient planners. We introduce a novel expressive path representation based on kernel approximation, that allows cost effective model updates based on stochastic samples. The main drawback of the previous stochastic functional gradient planner was the cubic cost, stemming from its non-parametric path representation. Our novel approximate kernel based model, on the other hand, has a fixed linear cost that depends solely on the number of features used to represent the path. We show that the stochasticity of the samples is crucial for the planner and present comparisons to other state-of-the-art planning methods in both simulation and with real occupancy data. The experiments demonstrate the advantages of the stochastic approximate kernel method for path planning in occupancy maps.

연구 동기 및 목표

• 점유도 맵 경로 계획에서 비모수적 기능 경사 계획자의 확장성 한계를 해결하기 위해.
• 고정 샘플링 해상도 없이도 신속하고 확률적인 업데이트를 지원할 수 있는 계산적으로 효율적인 경로 표현을 개발하기 위해.
• 센서 커버리지 갭과 불완전한 데이터가 존재하는 환경에서도 경로 최적화를 가능하게 하기 위해.
• 장애물 점유도를 최소화하면서도 매끄럽고 안전한 경로를 유지함으로써 경로 품질을 향상시키기 위해.
• 확률적 샘플링과 커널 근사가 결정적 또는 비모수적 접근 방식보다 우월함을 입증하기 위해.

제안 방법

• 경로를 기저 함수의 가중합으로 표현하기 위해 커널 근사를 사용함으로써, 데이터 크기와 무관하게 고정 선형 계산 비용을 확보한다.
• 전체 경로 도메인에서 무작위 샘플을 사용하여 반복적으로 경로 모델을 업데이트하기 위해 확률적 경사 하강법(SGD)을 활용한다.
• 사전에 정의된 샘플링 해상도에 종속되지 않도록 전체 경로 공간에서 추출된 무작위 샘플을 사용하여 경로 모델을 업데이트한다.
• 목표 함수는 경로 길이와 장애물 회피를 균형 있게 조절하며, 비용은 점유도 맵의 확률을 통해 계산된다.
• 비모수적 추론을 근사 커널 표현으로 대체함으로써 가우시안 프로세스 운동 계획자에 대한 일반화를 수행한다.
• 표준 SGD 가정 하에 수렴이 보장되어, 확률적 성격에도 불구하고 안정적인 최적화를 보장한다.

실험 결과

연구 질문

• RQ1 기저 기반 경로 표현을 통해 기능 경사 경로 계획에서 계산 복잡도를 감소시킬 수 있을까, 동시에 표현력은 유지될 수 있을까?
• RQ2 전체 경로 도메인에서의 확률적 샘플링은 고정 해상도 샘플링에 비해 최적화 성능을 어떻게 향상시킬 수 있을까?
• RQ3 점유도 맵에 대한 확률적 기능 경사 계획자에서 수렴 속도와 계산 비용 사이의 상호 상충 관계는 어떠한가?
• RQ4 센서 갭이 존재하는 환경에서 제안된 방법이 RRT*와 GP 기반 계획자보다 더 안전하고 매끄러운 경로를 생성할 수 있을까?
• RQ5 비모수적 대안과 달리, 증가하는 관측 수에 비해 근사 커널 모델이 성능을 유지할 수 있을까?

주요 결과

• 제안된 근사 커널 방법은 최대 점유도 0.46±0.01을 기록하여 RRT*의 0.50±0.01보다 훨씬 안전함을 보이며, 더 나은 장애물 회피 능력을 입증한다.
• 경로 길이는 20.48±0.07미터로, RRT*의 20.17±0.14m보다 略적으로 짧아 효율성 향상을 입증한다.
• 평균적으로 3,530±160개의 샘플을 요구하며, RRT*의 12,180±650개보다 적고, GP 계획자의 1,080±250개보다 많아 수렴 속도와 계산 비용 사이의 균형을 이루고 있음을 시사한다.
• GP 계획자보다 반복 횟수가 더 많지만, 고정 선형 복잡도 덕분에 런타임이 훨씬 낮아, GP 기반 접근 방식의 세제곱 비용과는 대비된다.
• 확률적 계획자는 장애물 사이의 중앙선을 따라 매끄럽고 부드러운 경로를 생성하는 반면, RRT* 경로는 날카럽고 벽에 매우 가까이 위치해 위험하다.
• 반복 실행 시 수렴이 안정적이며, 시뮬레이션과 실제 점유도 맵 데이터 모두에서 일관된 성능을 보였다.