[논문 리뷰] Coordinated Motion Planning Through Randomized k-Opt (CG Challenge)

Paul Liu, Jack Spalding-Jamieson외 2명|arXiv (Cornell University)|2021. 01. 01.

Teaching and Learning Programming인용 수 5

한 줄 요약

이 논문은 CG:SHOP 2021 챌린지에서 협동 운동 계획을 위한 이중 단계 접근법을 제시한다. 깊이 기반 초기화와 무작위 k-opt 국소 탐색을 조합하여 총 거리 또는 마감 시간을 최소화한다. 이 방법은 깊이 값을 사용해 깊이가 높은 순서로 로봇을 경로 배정한 후, A* 알고리즘을 활용한 국소 탐색을 통해 반복적으로 k대의 경로를 재최적화한다. 이로 인해 총 거리 기준으로 1등, 마감 시간 기준으로 3등을 기록하였다.

ABSTRACT

This paper examines the approach taken by team gitastrophe in the CG:SHOP 2021 challenge. The challenge was to find a sequence of simultaneous moves of square robots between two given configurations that minimized either total distance travelled or makespan (total time). Our winning approach has two main components: an initialization phase that finds a good initial solution, and a k-opt local search phase which optimizes this solution. This led to a first place finish in the distance category and a third place finish in the makespan category.

연구 동기 및 목표

• 장애물이 있는 격자에서 정사각형 로봇의 협동 운동 계획 문제를 해결하고, 총 거리 또는 마감 시간을 최소화한다.
• 지수적 상태공간 증가 없이도 초기 해를 향상시킬 수 있는 확장 가능하고 효과적인 국소 탐색 전략을 개발한다.
• 파rameterized 국소 경로 최적화를 통해 계산 효율성과 해 품질의 균형을 이룬다.
• CG:SHOP 2021 챌린지에서 총 거리(SUM) 및 마감 시간(MAX) 기준으로 높은 성능을 달성한다.

제안 방법

• 로봇 경계 상자 외부의 중간 위치에서 BFS를 통해 계산된 깊이 값을 사용해 초기 해를 설정한다.
• 간섭을 방지하기 위해 채우개 형태(예: 정팔각형, 다이아몬드, 직사각형)를 사용해 중간 위치를 생성한다.
• 출발지에서 중간 위치로, 그리고 중간 위치에서 목표지로 로봇을 깊이 값의 내림차순으로 경로 배정하여 간섭을 방지한다.
• 무작위 k-opt 국소 탐색을 적용: 완료 시간 또는 근접도 기준으로 k대의 로봇을 선택한 후, 완료 시간 내림차순으로 각각의 경로를 개별적으로 재최적화한다.
• A* 알고리즘을 사용하며, 맨하탄 또는 장애물 인식 히우리스틱을 적용하고, 초기 경로 주변 반경 R 이내의 국소 탐색을 제한하여 상태공간을 제한하고 탈락 가능성을 보장한다.
• 다양한 초기화 변형(예: 무작위 경로, 출발지/목표지 교환)을 사용하고, 최적화에 가장 잘 맞는 것을 선택한다.

실험 결과

연구 질문

• RQ1 지수적 상태공간 증가 없이도 확장 가능한 국소 탐색 전략을 협동 운동 계획에 어떻게 설계할 수 있는가?
• RQ2 k대의 로봇을 선택할 때 어떤 전략이 경로 품질 향상에 가장 효과적인가?
• RQ3 k(최적화할 로봇 수)와 R(탐색 반경)의 파라미터가 수렴성과 해 품질에 어떤 영향을 미치는가?
• RQ4 깊이 기반 경로 배정과 중간 위치는 복잡한 인스턴스에 대해 탈락 가능하고 고품질의 초기 해를 가능하게 하는가?
• RQ5 인스턴스의 밀도와 크기에 따라 이 방법의 성능은 어떻게 변하는가?

주요 결과

• 이 방법은 CG:SHOP 2021 챌린지에서 총 거리(SUM) 기준 1등, 마감 시간(MAX) 기준 3등을 기록하였다.
• k=7, R=20로 설정한 최적화가 대부분의 인스턴스에서 성능과 런타임의 가장 좋은 균형을 이뤘다.
• k > 10일 경우 추가 향상이 없었고 런타임이 증가하여 수익 감소 현상이 나타났다.
• R=20가 경험적으로 최적의 값이었으며, 해 품질과 계산 비용의 균형을 잘 맞췄다.
• 고밀도 인스턴스에서는 성능 저하가 발생했으며, 이는 하한 근사치의 정확도 저하와 국소 최적해에서 벗어나기 어려운 어려움 때문일 것이다.
• 깊이 기반 경로 배정 전략은 높은 깊이를 가진 로봇이 낮은 깊이의 로봇을 막지 않도록 보장하여 재경로 설정 시 탈락 가능성을 보장했다.