[논문 리뷰] Endowing Robots with Longer-term Autonomy by Recovering from External Disturbances in Manipulation through Grounded Anomaly Classification and Recovery Policies

Hongmin Wu, Shuangqi Luo외 6명|arXiv (Cornell University)|2018. 09. 11.

Anomaly Detection Techniques and Applications참고 문헌 39인용 수 6

한 줄 요약

이 논문은 인간-로봇 협동 조작 작업에서 외부 교란 요인을 탐지하고 복구함으로써 로봇의 장기적 자율성을 달성할 수 있도록 하는 그래프 기반 온라인 시스템을 제안한다. 비모수 통계를 이용한 기반 이상 탐지 및 메모라이제이션된 변분 추론을 조합하고, 임의의 이상 현상에 대한 재실행 정책과 지속적인 이상 현상에 대한 적응 정책을 적용함으로써, 실시간 내성, 강건한 이상 탐지 및 자가 보정 복구 기능을 가능하게 하여 비구조적 환경에서의 내구성을 크게 향상시킨다.

ABSTRACT

Robot manipulation is increasingly poised to interact with humans in co-shared workspaces. Despite increasingly robust manipulation and control algorithms, failure modes continue to exist whenever models do not capture the dynamics of the unstructured environment. To obtain longer-term horizons in robot automation, robots must develop introspection and recovery abilities. We contribute a set of recovery policies to deal with anomalies produced by external disturbances as well as anomaly classification through the use of non-parametric statistics with memoized variational inference with scalable adaptation. A recovery critic stands atop of a tightly-integrated, graph-based online motion-generation and introspection system that resolves a wide range of anomalous situations. Policies, skills, and introspection models are learned incrementally and contextually in a task. Two task-level recovery policies: re-enactment and adaptation resolve accidental and persistent anomalies respectively. The introspection system uses non-parametric priors along with Markov jump linear systems and memoized variational inference with scalable adaptation to learn a model from the data. Extensive real-robot experimentation with various strenuous anomalous conditions is induced and resolved at different phases of a task and in different combinations. The system executes around-the-clock introspection and recovery and even elicited self-recovery when misclassifications occurred.

연구 동기 및 목표

• 예측할 수 없는 외부 교란 요인이 자주 발생하는 비구조적이고 인간이 공유하는 작업 환경에서 장기적 로봇 자율성의 과제를 해결하기 위해.
• 실행 도중에도 실시간으로 이상을 탐지하고 분류하며 자율적으로 복구할 수 있는 복구 프레임워크를 개발하기 위해.
• 실행 도중에 발생하는 새로운 복구 정책을 적용함에도 불구하고, 점진적이고 맥락 인식 기반의 복구 정책 학습을 온라인 운동 생성 및 내성과 함께 강하게 결합된 그래프 기반 아키텍처를 통해 통합하기 위해.
• 잘못 분류된 이상 현상이 발생했을 경우 이를 바로 잡고 보정 내성 및 후속 복구 정책 시행을 가능하게 하는 자가 수리 기능을 제공하기 위해.

제안 방법

• 시스템은 태스크 실행 도중 이상 현상을 동적으로 해결할 수 있도록 그래프 기반 온라인 운동 생성 및 내성 프레임워크에 기반한 복구 비평가를 활용한다.
• 이상 현상 분류에는 비모수적 사전 분포와 마르코프 점프 선형 시스템, 메모라이제이션된 변분 추론을 조합하여 센서 데이터로부터 스케일러블하고 점진적인 모델 학습을 수행한다.
• 두 가지 작업 수준의 복구 정책을 구현한다: 임의의 이상 현상에 대응하기 위해 작업 그래프에서 가장 잘 성능을 내는 스킬을 재실행하는 재실행 정책과, 지속적인 이상 현상에 대응하기 위해 인간의 직관에 기반한 상태 조정을 적용하는 적응 정책.
• 비모수 통계와 변분 추론을 조합한 하이브리드 접근 방식을 통해 압축되고 해석 가능한 모델을 학습함으로써 분류 및 식별 정확도를 향상시킨다.
• 실제 로봇 실험을 통해 인간 충돌, 도구 충돌, 물체 미끄러짐 등의 유도된 이상 현상을 포함한 공동 로봇(co-bot) 설정을 사용하여 다양한 태스크 단계에서의 내구성 테스트를 수행한다.
• 실시간 센서 및 상태 데이터 저장 및 검색을 위해 Redis 데이터베이스를 사용하여 오프라인 rosbag 분석을 넘어서는 온라인 처리를 가능하게 한다.

실험 결과

연구 질문

• RQ1 비구조적이고 인간-로봇 협동 환경에서 예측 불가능한 외부 교란 요인이 존재하는 상황에서도 로봇이 어떻게 장기적 자율성을 달성할 수 있는가?
• RQ2 센서 신호가 정상 행동에서 벗어날 경우, 어떻게 강건하고 실시간으로 이상 현상을 탐지하고 분류할 수 있는가?
• RQ3 태스크 실행 도중 새로운 또는 반복적인 이상 조건에 대응하여 복구 정책을 어떻게 점진적으로 학습하고 적응시킬 수 있는가?
• RQ4 로봇 시스템이 이상 현상을 잘못 분류하고 잘못된 복구 정책을 시행한 후에도 자가 보정 기능을 통해 복구할 수 있는가?
• RQ5 복구 정책이 물체 및 태스크의 다양한 공간적 및 기능적 구성에 대해 얼마나 일반화되는가?

주요 결과

• 시스템은 여러 태스크 단계에 걸쳐 다양한 이상 현상—예를 들어 일시적인 충돌, 물체 미끄러짐, 도구 충돌—을 성공적으로 탐지하고 분류하였다.
• 재실행 정책은 작업 그래프에서 사전에 학습된 최적의 스킬을 재실행하여 일시적인 교란 현상을 효과적으로 복구함으로써 정상적인 실행을 회복시켰다.
• 적응 정책은 공간 모델링 없이도 인간의 직관에 기반한 작업 상태 변화 이해를 활용하여 지속적인 이상 현상을 극복하는 데 성공하였다.
• 시스템은 자가 수리 능력을 보였으며, 잘못된 이상 분류와 잘못된 복구 정책 시행 후에도 내성 자체를 수정하고 성공적인 복구 정책을 선택하여 태스크를 완료하였다.
• 공간적 맥락 모델링이 제한되어 있음에도 불구하고, HC, OS, NO 이상 현상에 대해 복구 정책이 새로운 상황으로 일반화되었지만, 공간적으로 의존적인 복구 쌍에 대해서는 일반화가 덜 신뢰할 수 있었다.
• 실제 로봇 실험을 통해 혹독한 조건에서의 유도된 이상 현상에도 강건한 성능을 보였으며, 24시간 내내 내성 및 복구 기능을 수행함으로써 운영 자율성을 크게 연장시켰다.