[논문 리뷰] Tiny Robot Learning: Challenges and Directions for Machine Learning in Resource-Constrained Robots

Sabrina M. Neuman, Brian Plancher외 9명|arXiv (Cornell University)|2022. 05. 11.

Modular Robots and Swarm Intelligence인용 수 4

한 줄 요약

이 논문은 자원이 제한된 저비용 자율 로봇—'미니 로봇 학습'으로 불리는—에 머신러닝을 구현하는 데 직면한 과제를 규명하고, SWAP(크기, 무게, 전력) 제약, 하드웨어 제약, 다양한 구현 환경을 해결하기 위해 통합적인 머신러닝 시스템 설계와 자동화된 엔드 투 엔드 설계 도구를 제안한다. 시스템의 물리적 특성과 머신러닝을 함께 설계하고, 민첩한 개발을 위한 확장 가능한 일반화된 설계 흐름을 강조한다.

ABSTRACT

Machine learning (ML) has become a pervasive tool across computing systems. An emerging application that stress-tests the challenges of ML system design is tiny robot learning, the deployment of ML on resource-constrained low-cost autonomous robots. Tiny robot learning lies at the intersection of embedded systems, robotics, and ML, compounding the challenges of these domains. Tiny robot learning is subject to challenges from size, weight, area, and power (SWAP) constraints; sensor, actuator, and compute hardware limitations; end-to-end system tradeoffs; and a large diversity of possible deployment scenarios. Tiny robot learning requires ML models to be designed with these challenges in mind, providing a crucible that reveals the necessity of holistic ML system design and automated end-to-end design tools for agile development. This paper gives a brief survey of the tiny robot learning space, elaborates on key challenges, and proposes promising opportunities for future work in ML system design.

연구 동기 및 목표

• 크기, 무게, 전력, 비용(SWAP) 제약으로 인해 제한되는 미니 로봇, 저비용 자율 로봇에 머신러닝을 구현하는 데 있어 고유한 과제를 해결한다.
• 작은 로봇 플랫폼에서 임베디드 시스템, 로봇공학, 머신러닝이 결합되면서 발생하는 복합적인 과제를 규명한다.
• 엄격한 하드웨어 및 환경 제약 조건 하에서 성능을 최적화하기 위해 종합적인 엔드 투 엔드 시스템 공동 설계를 해결책으로 제안한다.
• 다양한 로봇 구현 환경의 광범위한 다양성을 다루기 위해 일반화 가능하고 자동화된 설계 흐름을 개발한다.
• 임베디드 TinyML 기법을 로봇 전용 요구사항과 물리적 시스템 제약과 통합함으로써 머신러닝 시스템 설계를 발전시킨다.

제안 방법

• SWAP 및 하드웨어 제약에 중점을 두어 기존의 미니 로봇 플랫폼과 그 머신러닝 구현 과제를 조사한다.
• 컴퓨팅, 센서, 액추에이터, 에너지 사용을 포함한 사이버-물리적 스택 전반의 트레이드오프를 정량화하기 위한 엔드 투 엔드 벤치마킹 프레임워크를 제안한다.
• 모델 압축, 정규화, 하이브리드 모델 기반/학습 기반 제어 기법과 같은 머신러닝 기법을 통합하여 계산 및 센서 요구량을 감소시킨다.
• 베이지안 최적화, 진화 알고리즘, 강화 학습과 같은 자동 최적화 기법을 활용해 신경망 하이퍼파rameter 및 하드웨어 구성의 설계 공간을 탐색한다.
• 도메인 특화 지식을 코딩하고 임베디드 시스템, 로봇공학, 머신러닝 전반에서 전문가 개입 없이 자동으로 시스템 생성이 가능한 일반화 가능하고 오픈소스 도구 체인을 설계한다.
• 배터리 무게, 액추에이터 정밀도와 같은 물리적 로봇 특성과 머신러닝 모델을 함께 설계하여 제약 조건 하에서 임무 시간과 성능을 극대화한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 미니 로봇의 엄격한 크기, 무게, 전력, 비용 제약 조건 하에서 머신러닝을 효과적으로 구현할 수 있는가?
• RQ2 엔드 투 엔드 설계에서의 주요 시스템 수준 트레이드오프는 무엇이며, 어떻게 정량적으로 평가할 수 있는가?
• RQ3 ML 기반 처리를 통해 저비용 센서(예: 근접, 빛 센서)가 고비용 센서(예: 카메라, 라이다)를 얼마나 대체할 수 있는가?
• RQ4 미니 로봇 학습 시스템의 광범위한 설계 공간을 효율적으로 탐색하기 위해 자동화되고 일반화 가능한 설계 흐름을 어떻게 구성할 수 있는가?
• RQ5 물리적 로봇 시스템과 머신러닝을 종합적으로 공동 설계함으로써 자원 제약 조건 하에서 신뢰성과 효율성을 어떻게 향상시킬 수 있는가?

주요 결과

• 작은 로봇 학습은 임베디드 시스템, 로봇공학, 머신러닝이 하나의 플랫폼에서 복합적으로 작용함으로써 종합적인 머신러닝 시스템 설계의 필요성을 드러낸다.
• 저비용 센서인 근접 센서나 빛 센서는 머신러닝을 통해 카메라나 라이다 수준의 인식 성능을 달성하는 데 효과적으로 활용될 수 있으며, 시스템의 무게와 비용을 감소시킨다.
• 하이브리드 모델 기반 및 학습 기반 제어기를 통해, 제한된 감지 및 액추에이터 능력을 가진 미니 4족 로봇도 불규칙한 지형을 걷는 데 성공한다.
• Air Learning과 같은 엔드 투 엔드 벤치마킹 프레임워크는 학습 알고리즘, 모델, 감지 모odalities, 컴퓨팅 플랫폼 간의 트레이드오프를 체계적으로 탐색할 수 있게 한다.
• 베이지안 최적화와 강화 학습를 활용한 자동 설계 흐름은 복잡한 미니 로봇 학습 시스템의 설계 공간을 효율적으로 탐색할 수 있다.
• 일반화 가능하고 오픈소스인 TinyML 도구 체인은 자동화된 전체 스택 설계를 지원하기 위해 확장될 수 있으며, 교차 도메인 전문가의 개입 의존도를 감소시킨다.