[논문 리뷰] Newton methods for k-order Markov Constrained Motion Problems

Marc Toussaint|arXiv (Cornell University)|2014. 07. 01.

Computational Geometry and Mesh Generation인용 수 50

한 줄 요약

이 논문은 k차 Markov 제약이 있는 운동 문제에 특화된 뉴턴 유형 최적화 방법을 사용하는 KOMO라는 프레임워크를 제시한다. 궤적 최적화를 제약 조건이 있는 제곱합 문제로 공식화함으로써, 가우스-뉴턴, 보완 라그랑주, 로그-바리어 방법을 효율적으로 적용할 수 있도록 하며, 자주수행되는 행렬 패킹을 통해 야생 구조를 활용하여 고도로 복잡한 기계적 운동 계획 문제에 대해 높은 계산 효율성을 달성한다. 이는 운동학적 및 역학적 제약 조건을 수반하는 복잡한 기계적 운동 계획에 적합하다.

ABSTRACT

This is a documentation of a framework for robot motion optimization that aims to draw on classical constrained optimization methods. With one exception the underlying algorithms are classical ones: Gauss-Newton (with adaptive step size and damping), Augmented Lagrangian, log-barrier, etc. The exception is a novel any-time version of the Augmented Lagrangian. The contribution of this framework is to frame motion optimization problems in a way that makes the application of these methods efficient, especially by defining a very general class of robot motion problems while at the same time introducing abstractions that directly reflect the API of the source code.

연구 동기 및 목표

• 복잡한 운동학적 및 역학적 제약 조건을 지원하는 일반적이고 효율적인 기계적 운동 최적화 프레임워크를 개발하는 것.
• 가우스-뉴턴, 보완 라그랑주, 로그-바리어와 같은 고전적인 제약 최적화 방법을 고차원 궤적 최적화 문제에 적용할 수 있도록 하는 것.
• 계산 효율성을 유지하면서도 의미적 작업 수준 인터페이스로 운동 계획 문제를 추상화하는 것.
• 의미적 작업을 수학적 최적화 형태로 매핑하는 깔끔한 API를 통해 문제 명세를 최적화 솔버에서 분리하는 것.
• 고차원 도함수(예: 속도, 가속도, 급도) 및 제약 조건을 k차 Markov 공식화를 통해 지원하는 것.

제안 방법

• 운동 최적화를 k차 상태 튜플 (x_{t-k}, ..., x_t) 에 대한 제약 조건이 있는 제곱합 문제로 공식화함으로써, 역학 및 작업 비용을 민첩하게 모델링할 수 있도록 한다.
• 상태 공간에서 궤적을 직접 표현함으로써 위상 공간이 아닌 구성 공간에서 최적화 공식을 단순화한다.
• 전역 야생 행렬 J의 각 행에 대해 (k+1)n개의 비영원소만 저장하는 데 사용되는 행 이동 행렬 팩킹 표현 방식을 도입함으로써, J의 야생 구조를 효과적으로 활용한다.
• J^T J 및 J^T x를 효율적으로 계산하기 위한 전용 알고리즘을 사용함으로써, 가우스-뉴턴 방법에서 헤시안 행렬의 빠른 근사화를 가능하게 한다.
• 제약 최적화에서 수렴 안정성과 강건성을 향상시키기 위해, 보완 라그랑주 방법의 새로운 '임의 시간' 버전을 도입한다.
• 운동학 엔진을 추상화하여 운동 문제 명세와 최적화를 분리함으로써, 사용자 정의 작업 맵 및 제약 유형을 모듈러하게 확장할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 기계적 로봇에서 고차원, k차 Markov 운동 계획 문제에 고전적인 뉴턴 유형 최적화 방법을 어떻게 효율적으로 적용할 수 있는가?
• RQ2 궤적 최적화에서의 야생 행렬 J의 어떤 구조적 특성을 활용하면 계산 효율성을 높일 수 있는가?
• RQ3 고차원 의미적 작업 명세 인터페이스를 저수준 최적화 솔버와 분리하면서도 효율성과 표현력을 유지할 수 있는가?
• RQ4 통합된 최적화 파이프라인을 통해 불등식 제약(예: 충돌, 관절 한계)과 등식 제약(예: 목표 지점 도달)을 동시에 지원할 수 있는가?
• RQ5 새로운 작업 맵, 운동학 엔진, 최적화 알고리즘을 위한 확장성을 보장하는 설계 추상화는 무엇인가?

주요 결과

• 프레임워크는 야생 구조를 활용하여 저장 및 계산 비용을 O((k+1)nT)로 줄여 고도로 효율적인 계산 성능을 달성한다.
• 행 이동 행렬 팩킹 표현 방식은 가우스-뉴턴 및 기타 뉴턴 유형 방법에 필수적인 J^T J 및 J^T x의 효율적 계산을 가능하게 한다.
• 새로운 anytime 보완 라그랑주 방법은 수렴 안정성과 강건성을 향상시키며, 제약 최적화에서 점진적 진전을 가능하게 한다.
• 운동학 엔진의 추상화로 사용자 정의 작업 맵의 모듈러 통합이 가능하며, 충돌 회피 및 작업 공간 제어를 모두 지원한다.
• k=2 및 k=3 공식화를 통해 고차 도함수(예: 가속도, 급도)를 성공적으로 모델링하여 토크 최소화 및 급도 최소화를 가능하게 한다.
• 실증 평가 결과, 최소한의 튜닝으로도 복잡한 운동 문제(예: 충돌 회피, 정밀한 종단 기구 위치 조정)를 효율적으로 해결하는 데 성공했다.