[논문 리뷰] Machine Learning Based Path Planning for Improved Rover Navigation (Pre-Print Version)

Neil Abcouwer, Shreyansh Daftry외 7명|arXiv (Cornell University)|2020. 11. 11.

Robotic Path Planning Algorithms참고 문헌 9인용 수 4

한 줄 요약

이 논문은 화성 탐사차의 NASA 향상된 자율주행(ENav) 시스템에서 경로 계획의 효율성을 향상시키기 위해 기계학습 기반 및 수작업 설계된 히ュ리스틱을 제안한다. 계산 비용이 매우 높은 ACE 안전성 검사 수행 이전에 지형 이동 비용을 추정함으로써, 히ュ리스틱은 ACE 평가 횟수를 최대 70% 감소시키고 평균 계산 시간을 단축시키며 안전성을 해치지 않은 채 경로 효율성과 성공률을 향상시킨다.

ABSTRACT

Enhanced AutoNav (ENav), the baseline surface navigation software for NASA's Perseverance rover, sorts a list of candidate paths for the rover to traverse, then uses the Approximate Clearance Evaluation (ACE) algorithm to evaluate whether the most highly ranked paths are safe. ACE is crucial for maintaining the safety of the rover, but is computationally expensive. If the most promising candidates in the list of paths are all found to be infeasible, ENav must continue to search the list and run time-consuming ACE evaluations until a feasible path is found. In this paper, we present two heuristics that, given a terrain heightmap around the rover, produce cost estimates that more effectively rank the candidate paths before ACE evaluation. The first heuristic uses Sobel operators and convolution to incorporate the cost of traversing high-gradient terrain. The second heuristic uses a machine learning (ML) model to predict areas that will be deemed untraversable by ACE. We used physics simulations to collect training data for the ML model and to run Monte Carlo trials to quantify navigation performance across a variety of terrains with various slopes and rock distributions. Compared to ENav's baseline performance, integrating the heuristics can lead to a significant reduction in ACE evaluations and average computation time per planning cycle, increase path efficiency, and maintain or improve the rate of successful traverses. This strategy of targeting specific bottlenecks with ML while maintaining the original ACE safety checks provides an example of how ML can be infused into planetary science missions and other safety-critical software.

연구 동기 및 목표

• ENav 시스템에서 경로 안전성 평가를 위한 계산 비용이 매우 높은 Approximate Clearance Evaluation (ACE) 알고리즘의 문제를 해결한다.
• ACE 평가에 대한 의존도를 줄이기 위해 평가 이전에 후보 경로의 순위를 향상시킨다.
• 수작업으로 설계한 기울기 컨볼루션 히ュ리스틱과 학습된 기계학습 모델을 도입하여 ACE 결과를 더 효과적으로 예측한다.
• 모든 최종 경로가 여전히 원본 ACE 검증을 통과하도록 하여 안전성을 유지한다.
• 히ュ리스틱 통합이 다양한 화성 지형에서 경로 효율성 향상, 계산 시간 단축, 성공률 증가에 기여함을 입증한다.

제안 방법

• 지형 고도도를 이용해 소벨 연산자와 2차원 컨볼루션을 적용하여 기울기 기반의 이동 비용 추정치를 계산하고, 이는 기울기가 낮고 안전한 영역으로의 경로 선택을 이끈다.
• 모의 지형 데이터와 해당하는 ACE 결과를 기반으로 기계학습 분류기를 훈련시어 경로가 ACE에 의해 안전하다고 판단될지를 예측한다.
• 두 히ュ리스틱을 ENav 경로 순위 매기기 파이프라인에 통합하여, ACE 평가 이전의 기본 순위 매기기 과정을 대체하거나 강화한다.
• 다양한 기울기와 돌 분포를 가진 인공 화성 지형에서 몬테카를로 시뮬레이션을 수행하여 성능을 평가한다.
• 더 넓거나 깊은 경로 트리를 탐색할 경우 계산 부담을 관리하기 위해 잘라내기 전략을 적용하여 탐색과 효율성의 균형을 이룬다.
• 모든 최종 경로가 여전히 원본 ACE 알고리즘에 의해 검증되도록 하여 안전성을 유지한다.

실험 결과

연구 질문

• RQ1 지형 기울기 기반 수작업 히ュ리스틱이 화성 탐사차 주행에서 경로 순위 매기기와 ACE 평가 횟수 감소에 기여할 수 있는가?
• RQ2 모의 ACE 결과에 기반해 훈련된 기계학습 모델이 기본 순위 매기기보다 경로 타당성을 더 정확히 예측하여 불필요한 ACE 평가를 줄일 수 있는가?
• RQ3 히ュ리스틱 기반 순위 매기기가 복잡한 지형에서 성공률을 훼손하지 않은 채 계산 시간 단축과 경로 효율성 향상에 얼마나 기여할 수 있는가?
• RQ4 더 넓거나 깊은 경로 트리를 탐색할 경우 히ュ리스틱 통합이 ENav의 성능에 어떤 영향을 미치는가?
• RQ5 히ュ리스틱 순위 매기기와 ACE 검증의 조합이 계산 오버헤드를 크게 줄이면서도 안전성을 유지하거나 향상시킬 수 있는가?

주요 결과

• 기계학습 기반 히ュ리스틱은 기준 ENav 시스템 대비 ACE 평가 횟수를 최대 70% 감소시켜 계획 주기당 평균 계산 시간을 크게 단축시켰다.
• 복잡한 지형에서 경로 효율성이 크게 향상되었으며, 히ュ리스틱은 미끄러짐이 발생하기 쉬운 좁고 위험도가 높은 경로를 피하도록 탐사차를 이끌었다.
• 더 넓은 경로 트리에서의 실험에서 학습된 히ュ리스틱을 사용한 경우 기준 대비 20% 높은 성공률을 기록했으며, 경로 효율성 향상과 과잉 고려 현상 감소를 동시에 달성했다.
• 수작업 설계된 기울기 컨볼루션 히ュ리스틱 역시 기준 대비 ACE 평가 횟수와 계산 시간을 줄였지만, 기계학습 모델만큼 효과적이지는 않았다.
• 더 깊은 경로 트리(9미터 전방)를 사용한 경우 성능이 크게 악화되었으며(성공률 59.9%로 감소), 더 나은 잘라내기 전략이 없이선 장거리 계획 수월이 유의미하지 않음을 시사했다.
• 결과적으로 기계학습은 최종 안전 결정을 위해 검증된 알고리즘(예: ACE)을 그대로 사용하면서도 순위 매기기만에 활용함으로써 안전 임계 시스템에 안전하게 통합될 수 있음을 보여주었다.