[논문 리뷰] Trajectory Optimization on Manifolds: A Theoretically-Guaranteed Embedded Sequential Convex Programming Approach

Riccardo Bonalli, Andrew Bylard외 3명|arXiv (Cornell University)|2019. 05. 18.

Robotic Path Planning Algorithms인용 수 26

한 줄 요약

이 논문은 다양체 위에서의 궤적 최적화를 위한 임bedded Sequential Convex Programming (E-SCP) 프레임워크를 제안한다. 기하학적 임베딩을 활용하여 다양체 제약을 가진 문제를 해석 가능한 해를 갖는 유클리드 공간으로 올려서 해결한다. 이는 페널티 기반 방법보다 이론적으로 보장된 수렴성과 뛰어난 타당성 및 최적성 성능을 달성하며, 수치 결과에서는 더 낮은 비용과 근사적으로 0에 수렴하는 다양체 제약 오차를 보였다.

ABSTRACT

Sequential Convex Programming (SCP) has recently gained popularity as a tool for trajectory optimization due to its sound theoretical properties and practical performance. Yet, most SCP-based methods for trajectory optimization are restricted to Euclidean settings, which precludes their application to problem instances where one must reason about manifold-type constraints (that is, constraints, such as loop closure, which restrict the motion of a system to a subset of the ambient space). The aim of this paper is to fill this gap by extending SCP-based trajectory optimization methods to a manifold setting. The key insight is to leverage geometric embeddings to lift a manifold-constrained trajectory optimization problem into an equivalent problem defined over a space enjoying a Euclidean structure. This insight allows one to extend existing SCP methods to a manifold setting in a fairly natural way. In particular, we present a SCP algorithm for manifold problems with refined theoretical guarantees that resemble those derived for the Euclidean setting, and demonstrate its practical performance via numerical experiments.

연구 동기 및 목표

• 루프 클로징이나 SO(3) 역학과 같은 다양체 제약을 가진 문제에 대해 이론적으로 보장된 궤적 최적화 방법의 부족을 해결하기 위해.
• 다양체를 유클리드 공간으로 임베딩하면서 문제의 구조를 유지함으로써 순차적 볼록 프로그래밍(SCP)을 비유클리드 환경으로 확장하기 위해.
• 암시적으로 정의되거나 局부적으로 매개변수화된 다양체(예: 토러스 또는 리 군)에서 해의 수렴성과 타당성을 보장하기 위해.
• 제어 범위와 목표 영역 등 다양한 로봇 제약을 처리할 수 있는 일반적이고 신뢰성 있고 계산적으로 효율적인 프레임워크를 제공하기 위해.
• 해의 품질과 제약 충족도 면에서 페널티 기반 접근법에 비해 실용적으로 뛰어난 성능을 입증하기 위해.

제안 방법

• 다양체 제약을 가진 최적 제어 문제를 매끄러운 임베딩을 통해 등가적인 유클리드 문제로 올리며, 다양체의 기하학적 구조를 유지한다.
• 비용과 제약의 볼록 근사로부터 유도된 볼록 하위문제를 반복적으로 풀이하는 순차적 볼록 프로그래밍( SCP ) 기법을 임베딩된 문제에 적용한다.
• 차트를 통한 국소 매개변수화를 통해 임베딩을 정의함으로써, 서브머션 E에 대해 E(x)=0 형태의 암시적 제약을 처리할 수 있도록 한다.
• 역동성과 제약의 유계성 및 리프시츠 연속성과 같은 온건한 가정 하에, 표준 SCP의 수렴 보장을 E-SCP 알고리즘이 그대로 이어받도록 보장한다.
• 초기 궤적 추정치를 향상시켜 수렴 속도를 높이기 위해 射撃 방법(Shooting methods)을 E-SCP에 통합함으로써, SCP 반복 수를 최대 59.4% 감소시켰다.
• 페널티 항을 피하여 다양체 제약을 정확히 구현함으로써 타당성 유지에 기여하며, 이는 비타당한 해나 최적 비용 이하의 해를 초래할 수 있는 페널티 항의 문제를 방지한다.

실험 결과

연구 질문

• RQ1 SCP 기반 궤적 최적화는 이론적 수렴 보장을 유지하면서 다양체 제약 문제로 확장될 수 있는가?
• RQ2 기하학적 임베딩을 어떻게 활용하여 비유클리드 궤적 최적화 문제를 SCP에 적합한 유클리드 문제로 변환할 수 있는가?
• RQ3 제안된 E-SCP 방법은 SO(3)나 토러스와 같은 복잡한 다양체에서 페널티 기반 접근법보다 뛰어난 해의 품질과 타당성을 달성하는가?
• RQ4 사격 방법은 고차원 또는 혼잡한 환경에서 E-SCP의 수렴 속도와 해의 품질을 어느 정도 향상시킬 수 있는가?
• RQ5 E-SCP는 명시적 매개변수화나 히우리스틱 수정 없이도 암시적 다양체 제약(E(x)=0 등)을 처리할 수 있는가?

주요 결과

• 맨드릴 어깨 실험에서 E-SCP는 0.105의 진짜 비용을 달성하여 TrajOpt(0.215)와 TrajOpt-P(0.792)보다 유의미하게 낮아 최적성 면에서 뛰어난 성능을 보였다.
• E-SCP의 다양체 제약 오차는 3.9×10⁻²로, TrajOpt의 1.6×10⁻² 오차와 비교해 극히 미미하며, TrajOpt-P의 3.1×10⁻⁶ 오차와도 유사한 수준이므로 타당성 면에서 뛰어난 성능을 보였다.
• 사격 방법과 결합한 E-SCP는 SCP 반복 수를 59.4% 감소시켰으며, 평균 계산 시간을 0.466초에서 0.191초로 단축시켰다.
• E-SCP의 역동적 제약 오차는 1.9×10⁻³으로, TrajOpt(8.5×10⁻³)와 TrajOpt-P(4.8×10⁻³)보다 낮아 수치 정확도 면에서 뛰어난 성능을 보였다.
• E-SCP는 역동적 오차와 비례하여 다양체 제약 오차가 거의 0에 수렴하는 경향을 보이며, SO(3)나 폐쇄 기구 체인과 같은 복잡한 다양체에서도 강건함을 입증했다.
• 초기화가 불량하여 SCP 단독으로 수렴에 실패한 경우, E-SCP + 사격 방법은 성공적으로 수렴을 달성하여 더 뛰어난 강건성을 입증했다.