[논문 리뷰] Fully Convolutional Search Heuristic Learning for Rapid Path Planners

Yuka Ariki, Takuya Narihira|arXiv (Cornell University)|2019. 08. 09.

Robotic Path Planning Algorithms참고 문헌 20인용 수 11

한 줄 요약

이 논문은 2차원 격자 세계에서 빠른 경로 계획을 위한 탐색 히وري스틱을 학습하기 위해 완전 컨volution 신경망(FCN) 기반 방법을 제안한다. 장애물 지도를 이미지로 간주하고 A* 및 역방향 Dijkstra 결과를 정답 데이터로 사용하여, 공간적으로 구조화된 도착 비용 히وري스틱을 예측하는 FCN를 설계한다. 이는 수작업으로 만든 유클리드 히وري스틱에 비해 탐색 비용과 계획 시간을 크게 감소시키며, 일부 환경에서는 최대 48% 빠른 계획 속도와 90% 낮은 탐색 비용을 달성한다.

ABSTRACT

Path-planning algorithms are an important part of a wide variety of robotic applications, such as mobile robot navigation and robot arm manipulation. However, in large search spaces in which local traps may exist, it remains challenging to reliably find a path while satisfying real-time constraints. Efforts to speed up the path search have led to the development of many practical path-planning algorithms. These algorithms often define a search heuristic to guide the search towards the goal. The heuristics should be carefully designed for each specific problem to ensure reliability in the various situations encountered in the problem. However, it is often difficult for humans to craft such robust heuristics, and the search performance often degrades under conditions that violate the heuristic assumption. Rather than manually designing the heuristics, in this work, we propose a learning approach to acquire these search heuristics. Our method represents the environment containing the obstacles as an image, and this image is fed into fully convolutional neural networks to produce a search heuristic image where every pixel represents a heuristic value (cost-to-go value to a goal) in the form of a vertex of a search graph. Training the heuristic is performed using previously collected planning results. Our preliminary experiments (2D grid world navigation experiments) demonstrate significant reduction in the search costs relative to a hand-designed heuristic.

연구 동기 및 목표

• 로컬 함정이 있는 큰 복잡한 탐색 공간에서 안정적이고 문제에 특화된 히وري스틱을 설계하는 과제를 해결하기 위해.
• 비이상적인 조건이나 복잡한 장애물 구성에서 성능이 저하되는 수작업으로 만든 히وري스틱에 대한 의존도를 줄이기 위해.
• 딥러닝을 활용하여 공간적으로 일관된 히وري스틱을 생성하는 확장 가능한 종단 간 학습 프레임워크를 개발하기 위해.
• 밀도 높은 상태공간 탐색이 아닌 최적 경로 데이터로부터 히وري스틱을 학습함으로써 계획 효율성을 향상시키기 위해.
• 탐색 노력과 계산 비용을 최소화하여 로봇 응용 분야에서 실시간 성능을 가능하게 하기 위해.

제안 방법

• 장애물이 있는 환경는 2차원 이미지로 표현되며, 목적지 위치는 공간 지ap으로 인코딩된다.
• 완전 컨볼루션 신경망(FCN)은 장애물 지도와 목적지 지도를 입력으로 받아 각 픽셀이 도착 비용 추정치를 나타내는 히وري스틱 지도를 예측한다.
• 지표 히وري스틱 값은 이전에 수집된 최적 경로를 기반으로 A* 및 역방향 Dijkstra 알고리즘을 사용하여 생성된다.
• 예측된 도착 비용 값과 지표 값 간의 픽셀 단위 회귀 손실을 사용하여 지도 학습 방식으로 네트워크를 훈련시킨다.
• 시간 차이(TD) 학습과 결합된 하이브리드 훈련 전략을 통해 샘플 효율성과 일반화 능력을 향상시킨다.
• GPU 가속 컨볼루션 연산을 통해 지도 내 모든 상태에 동시에 추론이 가능하다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 다양한 2차원 경로 계획 환경에 걸쳐 일반화 가능한 공간적으로 구조화된 히وري스틱 함수를 효과적으로 학습할 수 있는가?
• RQ2 완전 컨볼루션 네트워크에서 학습된 히وري스틱은 유클리드 거리와 같은 수작업 히وري스틱에 비해 탐색 비용과 계획 속도 측면에서 어떻게 비교되는가?
• RQ3 모든 상태에 대한 밀도 높은 도착 비용 계산이 필요 없이도 경로 계획의 계산 비용을 줄일 수 있는가?
• RQ4 학습된 히وري스틱은 다양한 장애물 구성과 경로 복잡도 수준에 걸쳐 얼마나 잘 일반화되는가?
• RQ5 지도 학습과 시간 차이 학습을 조합함으로써 히وري스틱 학습의 강건성과 효율성이 향상되는가?

주요 결과

• 제안된 FCN 기반 히وري스틱은 탐색 비용을 수작업 유클리드 히وري스틱 대비 최대 90% 감소시켰으며, 환경 평균으로는 88% 감소를 기록했다.
• 학습된 히وري스틱을 사용한 평균 계획 시간은 2.48ms(신경망 추론 2.23ms + 계획 0.25ms)로, 유클리드 히وري스틱 기반 기준선 4.56ms 대비 48% 향상되었다.
• 완전 연결 네트워크를 사용하고 DAgger 샘플링이 필요한 이전 최고 성능(SaIL) 방법(Bhardwaj 등, 2017)보다 낮은 탐색 비용을 달성했다.
• 시험한 8개 환경 중 7개에서 유클리드 히وري스틱보다 성능이 뛰어났으며, 특히 'Gaps and Forest'와 'Multiple Bugtraps'와 같은 복잡한 레이아웃에서 두각을 나타냈다.
• 국소적으로 노이즈가 있는 히وري스틱 예측을 생성하더라도 높은 계획 효율성을 유지했으며, 후처리를 통해 경로를 부드럽게 다듬을 수 있었다.
• 이 프레임워크는 확장 가능하며 비틀림 제약 없는 로봇 주행 및 로봇 암 운동 계획과 같은 고차원 문제에 적용 가능하다.