[논문 리뷰] T* : A Heuristic Search Based Algorithm for Motion Planning with Temporal Goals

Danish Khalidi, Dhaval Gujarathi외 1명|arXiv (Cornell University)|2018. 09. 16.

Robotic Path Planning Algorithms참고 문헌 26인용 수 6

한 줄 요약

T*는 선형 시간 논리(LTL) 운동 계획 문제에 A* 알고리즘을 적응적으로 적용하여 제품 자동기에서 히وري스틱 가이던스를 활용하는 새로운 히وري스틱 탐색 알고리즘으로, 2D 및 3D 작업 환경에서 Dijkstra 기반 방법 대비 최대 10배의 속도 향상을 달성하면서도 최적성을 유지한다. 이 알고리즘은 보다 정교한 히وري스틱을 사용해 기회적 노드 전개를 통해 탐색 공간을 줄여, 시간 논리 계획에서 단일 목표 상태가 존재하지 않는 문제를 해결한다.

ABSTRACT

Motion planning is the core problem to solve for developing any application involving an autonomous mobile robot. The fundamental motion planning problem involves generating a trajectory for a robot for point-to-point navigation while avoiding obstacles. Heuristic-based search algorithms like A* have been shown to be extremely efficient in solving such planning problems. Recently, there has been an increased interest in specifying complex motion plans using temporal logic. In the state-of-the-art algorithm, the temporal logic motion planning problem is reduced to a graph search problem and Dijkstra's shortest path algorithm is used to compute the optimal trajectory satisfying the specification. The A* algorithm when used with a proper heuristic for the distance from the destination can generate an optimal path in a graph efficiently. The primary challenge for using A* algorithm in temporal logic path planning is that there is no notion of a single destination state for the robot. In this thesis, we present a novel motion planning algorithm T* that uses the A* search procedure in temporal logic path planning \emph{opportunistically} to generate an optimal trajectory satisfying a temporal logic query. Our experimental results demonstrate that T* achieves an order of magnitude improvement over the state-of-the-art algorithm to solve many temporal logic motion planning problems.

연구 동기 및 목표

• 큰 상태 공간을 가진 LTL 운동 계획 문제에서 Dijkstra 알고리즘의 비효율성을 해결하기 위해.
• 점에서 점으로의 계획에서 효율성으로 유명한 A* 탐색을, 단일 목표 상태가 존재하지 않는 시간 논리 계획에 적응시키기 위해.
• 최적성을 희생시키지 않고 탐색 공간과 계산 시간을 줄일 수 있는 히وري스틱 기반 방법을 개발하기 위해.
• 다양한 작업 환경 크기, 장애물 밀도, LTL 사양 복잡도에서 제안된 알고리즘의 성능을 평가하기 위해.
• 실제 2D 격자 환경에서 Vicon 추적을 사용한 Turtlebot 로봇을 활용해 실험적으로 방법을 검증하기 위해.

제안 방법

• 로봇의 이산 전이 시스템과 LTL 사양에서 유도된 뷔치 자동기로부터 제품 자동기를 구성한다.
• 도달 가능성과 비용 성질을 유지하면서 제품 자동기를 최소화하기 위한 기법을 적용한다.
• 최소화된 자동기 내에서 어떤 수용 상태로의 최단 경로를 기반으로 한 히وري스틱 함수를 정의하여, A*-스타일의 노드 전개를 가능하게 한다.
• 최소화된 그래프에서 A* 탐색을 수행하여 최적의 궤적을 히وري스틱에 따라 유도하며, Update_Edges 절차를 통해 동적 간선 비용 업데이트를 수행한다.
• 공정한 성능 비교를 위해 여러 문제 인스턴스에서 Dijkstra 기반 베이스라인과 알고리즘을 통합한다.
• 합성된 2D/3D 격자 환경과 실세계의 Turtlebot 실험(Vicon 추적 사용)을 통해 알고리즘을 검증한다.

실험 결과

연구 질문

• RQ1 단일 목표 상태가 존재하지 않는다는 점을 감안할 때, A*-스타일의 히وري스틱 탐색이 LTL 운동 계획에 효과적으로 적용될 수 있는가?
• RQ2 계산 시간과 메모리 사용 측면에서 T*는 Dijkstra 기반 베이스라인 대비 어떻게 성능을 냈는가?
• RQ3 장애물 밀도, 작업 환경 크기, LTL 사양 복잡도는 T*의 속도 향상에 어떤 영향을 미치는가?
• RQ4 대규모 운동 계획 문제에서 T*는 탐색 공간과 런타임을 크게 줄이면서도 최적성을 유지할 수 있는가?
• RQ5 T*의 히وري스틱 기반 접근 방식은 2D 및 3D 환경에서 문제 복잡도 증가에 따라 효과적으로 스케일업되는가?

주요 결과

• T*는 다양한 2D 및 3D 작업 환경에서 LTL 운동 계획 문제를 해결하는 데 있어 Dijkstra 기반 베이스라인 대비 최대 10배의 속도 향상을 달성한다.
• T*의 메모리 사용량은 최소화된 그래프에서 18.5–34.34 KB로 거의 일정하지만, 베이스라인은 작업 환경 크기가 600×600으로 증가함에 따라 42.7 KB에서 1510 KB로 증가한다.
• 500×500 작업 환경 크기에서 T*는 베이스라인 대비 97.6%의 메모리 절감을 기록하며, 25.5 KB 대비 1072.38 KB를 기록한다.
• 장애물 밀도가 증가함에 따라(예: 5%에서 40%로) 속도 향상이 감소한다. 이는 실제 거리와 히وري스틱 추정치 간의 편차가 커지기 때문이다.
• 작업 환경 크기가 커질수록(예: 변형 길이 20에서 500으로) 속도 향상이 증가한다. 이는 제품 그래프가 크게 증가하여 A*의 이점이 더 두드러지게 나타나기 때문이다.
• 더 많은 위치를 포함한 복잡한 LTL 쿼리(예: 8개의 수거 위치와 4개의 업로드 위치)에서는 T*가 히وري스틱에 의해 이끌린 기회적 탐색 덕분에 더 높은 속도 향상을 보인다.