[논문 리뷰] Differentiable Spatial Planning using Transformers

Devendra Singh Chaplot, Deepak Pathak외 1명|arXiv (Cornell University)|2021. 12. 02.

Robotic Path Planning Algorithms인용 수 6

한 줄 요약

이 논문은 장애물 지도에서 장거리 공간적 종속성을 포착하여 효율적이고 데이터 기반의 경로 계획을 가능하게 하는 유연한, 주목적 기반의 계획자인 공간 계획 트랜스포머(SPT)를 제안한다. 장애물에 막히지 않은 거리 동안 값이 전파되는 자기주도 주목적을 활용함으로써 SPT는 계획 반복 횟수를 O(D)에서 O(n_O)로 감소시켜, 탐색 및 조작 작업에서 이전의 학습된 계획자들보다 7–19%의 절대 정확도 향상을 달성한다.

ABSTRACT

We consider the problem of spatial path planning. In contrast to the classical solutions which optimize a new plan from scratch and assume access to the full map with ground truth obstacle locations, we learn a planner from the data in a differentiable manner that allows us to leverage statistical regularities from past data. We propose Spatial Planning Transformers (SPT), which given an obstacle map learns to generate actions by planning over long-range spatial dependencies, unlike prior data-driven planners that propagate information locally via convolutional structure in an iterative manner. In the setting where the ground truth map is not known to the agent, we leverage pre-trained SPTs in an end-to-end framework that has the structure of mapper and planner built into it which allows seamless generalization to out-of-distribution maps and goals. SPTs outperform prior state-of-the-art differentiable planners across all the setups for both manipulation and navigation tasks, leading to an absolute improvement of 7-19%.

연구 동기 및 목표

• 실세계 환경의 통계적 규칙성(예: 벽 정렬, 공간 일관성 등)을 포착할 수 있는 데이터 기반, 유연한 계획자를 개발하는 것.
• 완전한 진짜 지도가 필요하고 동적 환경에서 느린 고전적 계획자들의 한계를 극복하는 것.
• 진짜 지도의 지도 감독 없이 궤적에서의 엔드 투 엔드 학습을 가능하게 하여 분포 외 지도로의 일반화를 가능하게 하는 것.
• 지역적 반복적 값 전파(예: CNN를 통한 전파) 대신 장거리 주목적 기반 전파로 계획 효율성을 향상시키는 것.
• 희소하고 노이즈가 많은 감독 조건 하에서 탐색 및 로봇 조작 작업에서 강력한 일반화 능력과 성능 향상을 입증하는 것.

제안 방법

• SPT는 다중 헤드 자기주목적 기반의 트랜스포머 아키텍처를 사용하여 전체 장애물 지도의 공간적 관계를 모델링함으로써 장거리 값 전파를 가능하게 한다.
• 모델은 장애물 지도를 공간 토큰의 집합으로 처리하며, 각 토큰이 다른 모든 토큰에 주목함으로써 장애물에 막히지 않은 경로에서는 거리 값이 직접 전파될 수 있도록 한다.
• 컨볼루션 네트워크가 국소 이웃 영역 내에서만 값을 전파하는 데 반해, SPT의 주목적 메커니즘은 O(n_O)회의 반복을 가능하게 하며, 이는 D가 경로 길이이고 n_O가 장애물 수일 때 O(D)보다 빠르다.
• 경로 정확도를 최적화하기 위해 계획 경로를 통해 역전파가 가능한 유연한 계획 손실을 사용하여 엔드 투 엔드로 학습된다.
• 알 수 없는 지도 설정에서는 SPT가 학습된 매핑기와 통합되어 원시 관측치와 궤적에서부터 지도 구축과 계획을 동시에 수행하는 엔드 투 엔드 프레임워크에 통합된다.
• 모델은 탐색(Gibson 데이터셋 등) 및 조작(구성공간) 작업에서 평가되며, 지도 크기, 노이즈, 감독 수준에 대한 분석도 포함된다.

실험 결과

연구 질문

• RQ1 장거리 공간 주목적을 활용함으로써 트랜스포머 기반 계획자가 컨볼루션 기반 계획자보다 계획 정확도와 추론 속도 측면에서 뛰어나게 되는가?
• RQ2 진짜 지도 감독 없이 학습된 유연한 계획자가 분포 외 지도로의 일반화 능력은 어느 정도인가?
• RQ3 주목적 기반과 국소 전파 기반 계획자에서 지도 크기와 장애물 수에 따라 계획 반복 횟수는 어떻게 변화하는가?
• RQ4 오직 궤적과 희소 감독만을 사용하여 매핑기-계획자 시스템을 엔드 투 엔드로 학습하는 것이 실제 환경에서 높은 성능을 달성할 수 있는가?
• RQ5 장거리 공간 종속성에 대한 모델의 추론 능력이 노이즈가 많거나 희소한 관측 조건 하에서 경로 정확도와 내성에 측정 가능한 향상을 이끌어내는가?

주요 결과

• SPT는 모든 테스트된 탐색 및 조작 설정에서 이전 최신 기술(SOTA) 학습 계획자(VIN 및 GPPN)보다 7–19%의 절대 정확도 향상을 달성한다.
• SPT는 계획에 필요한 반복 횟수를 D가 최단 경로 거리이고 n_O가 장애물 수일 때 O(D)에서 O(n_O)로 감소시켜 큰 지도에서의 추론 속도 향상을 이룬다.
• 노이즈가 많고 희소한 감독 조건 하에서의 엔드 투 엔드 매핑 및 계획에서 SPT는 베이스라인 대비 평균 매핑 및 계획 정확도가 높아, 불완전한 지도 정보에 대한 강건성을 입증한다.
• 진짜 지도 감독 없이 학습된 SPT는 분포 외 지도로의 일반화가 효과적으로 이루어지며, 실제 데이터에서의 실제 환경 배포 가능성은 입증된다.
• SPT는 컨볼루션 기반 베이스라인 대비 지도 크기가 커질수록 훨씬 더 잘 스케일링되며, 큰 복잡한 환경에서도 높은 정확도를 유지한다.
• 분석 결과 장거리 주목적이 성능에 핵심적임을 확인하였으며, 국소 전파에 의존하는 모델들은 큰 지도에서 일반화에 실패하거나 과도한 반복 횟수를 요구한다.