[논문 리뷰] Neural Collision Clearance Estimator for Fast Robot Motion Planning.

J. Chase Kew, Brian Ichter외 3명|arXiv (Cornell University)|2019. 10. 14.

Robotic Path Planning Algorithms참고 문헌 23인용 수 9

한 줄 요약

이 논문은 로봇 자세의 장애물까지의 거리(청소 거리)를 예측하는 딥 뉴럴 네트워크인 ClearanceNet을 제안한다. 이는 운동 계획에서 빠르고 병렬적인 충돌 체크를 가능하게 하며, CN-RRT에 통합되어 샘플링 기반 계획을 최대 51% 빠르게 하고 경로 효율성을 25% 향상시킨다. 실제 Fetch 로봇을 활용한 실물 환경에서 검증되었다.

ABSTRACT

Collision checking is a well known bottleneck in sampling-based motion planning due to its computational expense and the large number of checks required. To alleviate this bottleneck, we present a fast neural network collision checking heuristic, ClearanceNet, and incorporate it within a planning algorithm, ClearanceNet-RRT (CN-RRT). ClearanceNet takes as input a robot pose and the location of all obstacles in the workspace and learns to predict the clearance, i.e., distance to nearest obstacle. CN-RRT then efficiently computes a motion plan by leveraging three key features of ClearanceNet. First, as neural network inference is massively parallel, CN-RRT explores the space via a parallel RRT, which expands nodes in parallel, allowing for thousands of collision checks at once. Second, CN-RRT adaptively relaxes its clearance threshold for more difficult problems. Third, to repair errors, CN-RRT shifts states towards higher clearance through a gradient-based approach that uses the analytic gradient of ClearanceNet. Once a path is found, any errors are repaired via RRT over the misclassified sections, thus maintaining the theoretical guarantees of sampling-based motion planning. We evaluate the collision checking speed, planning speed, and motion plan efficiency in configuration spaces with up to 30 degrees of freedom. The collision checking achieves speedups of more than two orders of magnitude over traditional collision detection methods. Sampling-based planning over multiple robotic arms in new environment configurations achieves speedups of up to 51% over a baseline, with paths up to 25% more efficient. Experiments on a physical Fetch robot reaching into shelves in a cluttered environment confirm the feasibility of this method on real robots.

연구 동기 및 목표

• 샘플링 기반 운동 계획에서 전통적인 충돌 체크의 계산적 병목 현상을 해결한다.
• 고차원 구성 공간에서 반복적인 충돌 체크의 높은 비용을 줄인다.
• 혼잡하고 동적인 환경에서 실시간으로 확장 가능한 운동 계획을 가능하게 한다.
• 속도와 효율성을 향상시키면서도 샘플링 기반 계획의 이론적 보장을 유지한다.

제안 방법

• 로봇 자세와 장애물 위치를 입력으로 받아 가장 가까운 장애물까지의 청소 거리를 예측하는 딥 뉴럴 네트워크인 ClearanceNet을 훈련한다.
• ClearanceNet을 CN-RRT에 통합한다. CN-RRT는 GPU 가속된 신경망 추론을 활용해 동시에 여러 노드를 확장하는 병렬 RRT 변종이다.
• 계획 도중 청소 거리 임계값을 동적으로 조정하여 난이도가 높은 영역에서 탐색을 우선시한다.
• ClearanceNet의 해석적 기울기를 사용해 기울기 기반 이동을 통해 상태를 정밀 조정하여 잘못 분류된 구성 상태를 수정한다.
• 이중으로 잘못 분류된 세그먼트에 대해 표준 RRT를 사용해 재계획을 수행함으로써 이론적 완전성을 유지한다.
• 신경망 추론의 병렬성을 활용해 수천 개의 충돌 체크를 동시에 수행함으로써 계획 시간을 극적으로 감소시킨다.

실험 결과

연구 질문

• RQ1 학습된 신경망 기반 청소 거리 예측기가 샘플링 기반 운동 계획에서 충돌 체크를 상당히 가속화할 수 있는가?
• RQ2 신경망 기반 청소 예측을 통한 병렬 RRT는 기준 샘플링 기반 계획기와 비교해 계획 속도와 경로 품질 측면에서 어떻게 성능을 내는가?
• RQ3 적응형 청소 거리 임계값과 기울기 기반 보정이 계획의 강건성과 효율성을 얼마나 향상시킬 수 있는가?
• RQ4 제안된 방법은 실시간 성능을 달성하면서도 샘플링 기반 계획의 이론적 보장을 유지할 수 있는가?

주요 결과

• ClearanceNet은 전통적 방법 대비 충돌 체크 속도를 200배 이상 빠르게 한다.
• CN-RRT는 다중 로봇 암 시나리오에서 기준 샘플링 기반 계획기 대비 최대 51% 빠른 계획 시간을 기록한다.
• 고차원 공간에서 CN-RRT가 생성한 운동 계획은 기준 계획기 대비 최대 25% 더 효율적이다.
• 실제 Fetch 로봇을 사용해 혼잡한 물리적 환경에서 경로를 계획하고 실행하는 데 성공하여 실용성과 타당성을 입증했다.
• 기울기 기반 상태 이동이 잘못 분류된 구성 상태를 효과적으로 복구하여 계획 알고리즘의 이론적 완전성을 유지한다.
• 병렬 확장, 적응형 임계값, 신경망 기반 청소 예측의 조합이 복잡한 환경에서 확장 가능하고 효율적인 운동 계획을 가능하게 한다.