[논문 리뷰] Uncertainty-Aware Constraint Learning for Adaptive Safe Motion Planning from Demonstrations

Glen Chou, Necmiye Özay외 1명|arXiv (Cornell University)|2020. 11. 09.

Robotic Path Planning Algorithms참고 문헌 41인용 수 8

한 줄 요약

이 논문은 낙관적 최적화와 베이지안 추론을 사용하여 시범에서 가능한 제약 조건의 믿음을 형성하는 불확실성 인식 제약 학습 프레임워크를 제안한다. 이는 안전성과 효율성을 균형 잡는 적응형 확률적 제약 조건을 갖춘 운동 계획을 가능하게 한다. 7-DOF 암과 12D 퀴드로터에서 기준선 대비 안전성과 효율성에서 뛰어난 성능을 보이며, 최대 30D에 이르는 고차원 제약 조건 불확실성 하에서도 확률적 안전성 보장을 달성한다.

ABSTRACT

We present a method for learning to satisfy uncertain constraints from demonstrations. Our method uses robust optimization to obtain a belief over the potentially infinite set of possible constraints consistent with the demonstrations, and then uses this belief to plan trajectories that trade off performance with satisfying the possible constraints. We use these trajectories in a closed-loop policy that executes and replans using belief updates, which incorporate data gathered during execution. We derive guarantees on the accuracy of our constraint belief and probabilistic guarantees on plan safety. We present results on a 7-DOF arm and 12D quadrotor, showing our method can learn to satisfy high-dimensional (up to 30D) uncertain constraints, and outperforms baselines in safety and efficiency.

연구 동기 및 목표

• 같은 시범을 설명할 수 있는 무한한 수의 제약 조건이 존재하는 제약 조건 학습의 불확정성 문제를 해결하기 위해.
• 시범으로부터 완전히 특정되지 않는 고차원 불확실한 제약 조건 하에서도 안전하고 효율적인 운동 계획을 가능하게 하기 위해.
• 실시간 제약 조건 관측을 통합하여 계획, 실행, 믿음 갱신을 번갈아 수행하는 닫힌 루프 정책을 개발하기 위해.
• 제약 조건 믿음 정확도와 계획된 궤적의 확률적 안전성에 대한 이론적 보장을 제공하기 위해.
• 7-DOF 암과 12D 퀴드로터와 같은 복잡한 로봇 시스템에서 기존 방법보다 안전성과 효율성에서 뛰어난 성능을 내기 위해.

제안 방법

• 국소적으로 최적의 시범과 일치하는 모든 제약 조건을 추출하기 위해 강건 최적화를 사용하여 무한한 가능한 제약 조건 집합에 대한 믿음을 형성한다.
• 실행 중에 확보한 데이터를 활용해 베이지안 추론을 적용하여 제약 조건 믿음을 갱신하며, LiDAR 스캔이나 접촉 측정과 같은 새로운 관측치를 통합한다.
• 확률적으로 제약 조건 믿음을 충족하는 개방 루프 궤적을 생성하기 위해 확률적 제약 조건 최적화를 활용한다.
• 특히 '정지 궤적'을 명시적으로 최적화하여, 위험 상태로부터 두 단계 이내에 안전하게 정지할 수 있도록 사전 대비 계획을 통합한다.
• 각 실행 단계 이후 갱신된 믿음을 사용하여 재계획하는 닫힌 루프 정책을 구현하여 새로운 제약 조건 정보에 적응적으로 반응할 수 있도록 한다.
• 복잡한 제약 조건 지원을 모델링하기 위해 혼합정수계획법을 사용하며, 레이지 충돌 체크 및 온도 조절 기법을 통해 계산 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 국소적으로 최적의 시범 집합과 일치하는 모든 가능한 제약 조건에 대한 믿음을 어떻게 추출할 수 있는가?
• RQ2 불확실한 제약 조건 믿음 하에서 사전 설정된 확률로 안전한 개방 루프 궤적을 어떻게 생성할 수 있는가?
• RQ3 실시간 관측치를 통합하여 불확실한 제약 조건을 적응적으로 만족시키는 닫힌 루프 정책을 어떻게 설계할 수 있는가?
• RQ4 제약 조건 믿음 정확도와 계획된 궤적의 안전성에 대해 어떤 이론적 보장을 제공할 수 있는가?
• RQ5 고차원 제약 조건 불확실성 하에서 이 방법은 보장된 안전성과 낙관적 기준선 대비 안전성과 효율성 측면에서 어떻게 비교되는가?

주요 결과

• 이 방법은 데이터로는 완전히 특정되지 않는 제약 조건이라도, 최대 30D에 이르는 고차원 제약 조건을 성공적으로 학습하여 만족시킨다.
• 7-DOF 암과 12D 퀴드로터에서 제안된 방법은 보장된 안전성 기준선과 낙관적 기준선 양쪽 모두에 비해 궤적 비용과 안전성 측면에서 뛰어난 성능을 보였다.
• 믿음 갱신을 통한 닫힌 루프 정책은 과도하게 보수적인 계획에 대한 의존도를 줄여주며, 확률적 안전성 보장을 유지하면서도 더 효율적인 실행을 가능하게 했다.
• LiDAR 스캔에서의 믿음 갱신은 약 1.4초가 소요되며, 300개의 이산화된 점을 포함한 접촉 측정은 최적화에 이진 정수 변수가 포함되어 있어 최대 30분이 소요될 수 있다.
• 예비 계산을 통한 스위프트 볼륨 계산, 레이지 충돌 체크, 혼합정수계획법의 온도 조절 기법을 통해 계산 시간을 줄일 수 있으며, 7-DOF 암에서 BTP 계획 시간은 약 15초로 단축되었다.
• 이론적 분석을 통해 제약 조건 추출의 완전성과 다양한 제약 조건 파rameterization 하에서 계획기의 확률적 안전성 보장을 확인했다.