[논문 리뷰] Recovering from External Disturbances in Online Manipulation through State-Dependent Revertive Recovery Policies

Hongmin Wu, Hongbin Lin외 4명|arXiv (Cornell University)|2017. 08. 01.

Anomaly Detection Techniques and Applications참고 문헌 17인용 수 6

한 줄 요약

이 논문은 온라인 조작 작업 중 외부 간섭(예: 인간 또는 도구의 충돌 등)에 대해 강건하게 복구할 수 있도록 하는 상태에 의존하는 역행 복구 정책을 제안한다. 작업을 인트로스펙티브 노드를 가진 방향성 있는 그래프로 모델링하고, 상태에 의존하는 노드 선택 전략을 통해 복구를 유도함으로써, 반복적인 이상 상황에서도 88.89%의 F-score를 달성하여 다양한 작업 시나리오에서 일관되고 실시간으로 안정된 복구 성능을 보여준다.

ABSTRACT

Robots are increasingly entering uncertain and unstructured environments. Within these, robots are bound to face unexpected external disturbances like accidental human or tool collisions. Robots must develop the capacity to respond to unexpected events. That is not only identifying the sudden anomaly, but also deciding how to handle it. In this work, we contribute a recovery policy that allows a robot to recovery from various anomalous scenarios across different tasks and conditions in a consistent and robust fashion. The system organizes tasks as a sequence of nodes composed of internal modules such as motion generation and introspection. When an introspection module flags an anomaly, the recovery strategy is triggered and reverts the task execution by selecting a target node as a function of a state dependency chart. The new skill allows the robot to overcome the effects of the external disturbance and conclude the task. Our system recovers from accidental human and tool collisions in a number of tasks. Of particular importance is the fact that we test the robustness of the recovery system by triggering anomalies at each node in the task graph showing robust recovery everywhere in the task. We also trigger multiple and repeated anomalies at each of the nodes of the task showing that the recovery system can consistently recover anywhere in the presence of strong and pervasive anomalous conditions. Robust recovery systems will be key enablers for long-term autonomy in robot systems. Supplemental info including code, data, graphs, and result analysis can be found at [1].

연구 동기 및 목표

• 비모델링된 외부 간섭에 노출된 비정형 환경에서 로봇이 일반화되고 강건한 복구 메커니즘을 개발하기 위해.
• 고립된 지점이 아닌 작업 그래프의 어떤 노드에서든 복구를 가능하게 하여 반복적이고 다양한 이상 상황에서의 성능을 확보하기 위해.
• 다양한 작업 단계에서 단일 이상 조건과 다중 이상 조건을 모두 고려하여 시스템 성능을 평가하기 위해.
• 실세계 실험을 통해 정밀도, 재현율 및 F-score 지표를 사용하여 복구 전략의 효과성을 정량화하기 위해.
• 간단한 되돌리기 외에도 향후 점진적 학습과의 통합을 고려한 복구 시스템의 확장성과 적응 가능성 탐색하기 위해.

제안 방법

• 각 노드가 조작 스킬을 나타내고, 비모수적 베이지안 마르코프 스위칭 프로세스(sHDP-HMM) 기반의 인트로스펙티브 모듈을 갖춘 방향성 있는 그래픽 모델로 작업을 모델링한다.
• sHDP-HMM를 사용하여 센서 신호를 실시간으로 모니터링함으로써 이상 탐지를 수행하며, 이는 각 스킬의 정상 행동 패턴을 학습한다.
• 이상이 탐지되면, 상태에 의존하는 기준에 따라 선택된 대상 노드로 실행을 되돌리는 일반화된 복구 정책을 실행한다.
• 맥락적 상태에 기반하여 작업 그래프의 이전 노드를 선택함으로써, 안전하고 복구 가능한 상태에서 작업을 일관되게 재시작할 수 있다.
• 시스템은 저수준 제어와 밀접하게 통합되어 있으며, 인트로스펙티브 결과에 따라 계속 실행하거나 되돌리기 위한 명령을 내린다.
• 성능 평가를 위해 인간 및 도구의 충돌을 유도한 다수의 시험에서 피킹-앤드플레이스 및 서랍 열기 작업에서 F-score, 정밀도, 재현율을 사용한다.

실험 결과

연구 질문

• RQ1 로봇은 작업 그래프의 어떤 노드에서든 이상이 반복적으로 발생하더라도 외부 간섭으로부터 복구할 수 있는가?
• RQ2 각 작업 노드에서 단일 이상 조건과 다중 이상 조건 간에 시스템의 복구 성능은 어떻게 달라지는가?
• RQ3 기본 HMM에 비해 sHDP-HMM의 사용이 이상 탐지 및 이후 복구 성능에 얼마나 기여하는가?
• RQ4 강력하고 예측 불가능한 외부 흐트러짐 상황에서도 복구 정책이 다양한 조작 작업에서 강건성과 일관성을 유지할 수 있는가?
• RQ5 고정 또는 히우리스틱 복구 전략에 비해 상태에 의존하는 복구 노드 선택 방식은 성공률과 적응 가능성 측면에서 어떻게 우월한가?

주요 결과

• 피킹-앤드플레이스 작업에서 도구 충돌에 의한 복구 성능은 F-score 88.89%를 기록했으며, 정밀도 100%, 재현율 88.89%를 달성했다.
• 서랍 열고 닫는 작업에서는 스킬당 다중 이상 조건에서 F-score 93.33%를 기록했으며, 정밀도 100%, 재현율 93.33%를 달성했다.
• sHDP-HMM 모델은 기준 HMM보다 우수했으며, 피킹-앤드플레이스 작업에서 다중 이상 조건에서 F-score를 10.67% 향상시켰고, 서랍 작업에서는 13.33% 향상시켰다.
• 모든 작업 그래프의 노드에서 복구 성공률이 일관되었으며, 모든 노드에서 이상이 유도되더라도 실패 사례가 관찰되지 않았다.
• 반복적인 간섭 상황에서도 성능 저하 없이 동일한 노드에서 여러 차례 성공적으로 복구하는 강건성을 보였다.
• 결과적으로 상태에 의존하는 복구 선택 전략이 인간-로봇 상호작용 시나리오에서 다양한 예측 불가능한 외부 흐트러짐 상황에서도 일관되고 실시간으로 복구할 수 있음을 보여주었다.