[논문 리뷰] SLAP: Simultaneous Localization and Planning Under Uncertainty for Physical Mobile Robots via Dynamic Replanning in Belief Space: Extended version

Ali‐akbar Agha‐mohammadi, Saurav Agarwal외 3명|arXiv (Cornell University)|2015. 10. 26.

Reinforcement Learning in Robotics인용 수 3

한 줄 요약

이 논문은 신뢰도 공간에서 동적 재계획 프레임워크인 SLAP을 제안한다. 이는 물리적 이동 로봇이 불확실성 하에서 동시에 위치 추정과 계획을 수행할 수 있도록 한다. 오프라인으로 사전 계산된 FIRM 그래프와 온라인 롤아웃 정책을 활용함으로써, SLAP은 동형성 클래스를 초월한 실시간 재계획을 달성하며, 불필요한 안정화 단계를 제거함으로써 FIRM보다 우수한 성능을 발휘한다. 이는 큰 위치 추정 오차가 발생하는 동적이고 불확실한 환경에서도 견고한 주행을 가능하게 한다.

ABSTRACT

Simultaneous localization and Planning (SLAP) is a crucial ability for an autonomous robot operating under uncertainty. In its most general form, SLAP induces a continuous POMDP (partially-observable Markov decision process), which needs to be repeatedly solved online. This paper addresses this problem and proposes a dynamic replanning scheme in belief space. The underlying POMDP, which is continuous in state, action, and observation space, is approximated offline via sampling-based methods, but operates in a replanning loop online to admit local improvements to the coarse offline policy. This construct enables the proposed method to combat changing environments and large localization errors, even when the change alters the homotopy class of the optimal trajectory. It further outperforms the state-of-the-art FIRM (Feedback-based Information RoadMap) method by eliminating unnecessary stabilization steps. Applying belief space planning to physical systems brings with it a plethora of challenges. A key focus of this paper is to implement the proposed planner on a physical robot and show the SLAP solution performance under uncertainty, in changing environments and in the presence of large disturbances, such as a kidnapped robot situation.

연구 동기 및 목표

• 부분 관측 가능하고 불확실한 환경에서 동적 변화가 발생하는 상황에서 온라인 동시 위치 추정 및 계획(SLAP)의 과제를 해결한다.
• 신뢰도 업데이트 시 전체 재계산이 필요한 단일 쿼리 POMDP 솔버의 한계를 극복하여 실시간 SLAP에 비현실적인 문제를 해결한다.
• 큰 위치 추정 오차(예: 로봇의 납치)가 발생한 이후에도 다양한 동형성 클래스의 경로를 초월한 동적 재계획을 가능하게 한다.
• 실제 실내 환경에서 물리적 이동 로봇에 대해 민감도 공간 계획기를 구현하고 검증한다.
• 기존 안정화 기반 접근 방식의 성능 상충 요소를 피하면서도 높은 성공 확률과 성능 유지를 보장하는 방법을 입증한다.

제안 방법

• 샘플링 기반 방법을 사용해 쿼리에 의존하지 않는 FIRM(피드백 기반 정보 로드맵) 그래프를 사전에 오프라인으로 구축하여 다양한 초기 신뢰도에서 재사용 가능하게 한다.
• FIRM 그래프를 온라인 재계획의 기본 정책과 비용-도착 추정치로 활용하며, 신뢰도 공간에서 롤아웃 정책을 통해 재계획을 수행한다.
• 사전 계산된 전이 확률과 비용을 재사용함으로써 동적 재계획을 수행하고, 전체 재계산 없이도 빠른 온라인 업데이트를 가능하게 한다.
• 신뢰도 트리 탐색에서 신뢰도의 지수적 증가를 줄이기 위해 민감도 공간에서 국소 피드백 제어기(펀큘라 터널)를 통합함으로써, 민감도 그래프 구축을 통해 선형 증가를 가능하게 한다.
• 정규 분포 신뢰도 근사와 국소 선형화 가능한 시스템 동역학을 활용해, 신뢰도 진화를 안정화하는 닫힌 루프 제어기를 설계한다.
• 기대 비용-도착 기반으로 후보 행동을 평가하는 민감도 공간 롤아웃 정책을 구현함으로써 환경 변화와 위치 추정 오차에 대한 온라인 적응을 가능하게 한다.

실험 결과

연구 질문

• RQ1 큰 위치 추정 오차가 발생한 이후에도, 민감도 공간 계획 프레임워크가 실시간으로 동적 재계획을 가능하게 할 수 있는가?
• RQ2 FIRM처럼 다중 쿼리 및 쿼리에 의존하지 않는 계획기가 연속적이고 부분 관측 가능한 환경에서 온라인 SLAP를 지원하도록 어떻게 적응시킬 수 있는가?
• RQ3 FIRM에서 안정화 단계를 제거함으로써 불확실하고 동적 환경에서 성능과 성공률에 얼마나 큰 향상이 이루어지는가?
• RQ4 제안된 방법이 장애물 동역학과 자세 이탈이 발생하는 복잡하고 변화하는 환경에서 물리적 로봇을 성공적으로 이동시킬 수 있는가?
• RQ5 오프라인 FIRM 구축과 온라인 롤아웃 기반 재계획의 조합이 단일 쿼리 솔버에 비해 계산 효율성과 견고성 측면에서 어떻게 향상되는가?

주요 결과

• 제안된 SLAP 프레임워크는 민감도 공간에서 실시간 동적 재계획을 성공적으로 구현하여, 환경 변화 발생 시 다양한 동형성 클래스의 경로 간 전환을 가능하게 한다.
• 안정화 단계가 필요 없어지므로 기존 FIRM 프레임워크보다 성능이 뛰어나지 못했던 성공 확률과 성능을 복원함으로써 최신 기술 수준의 FIRM을 능가한다.
• 사전 계산된 비용과 전이 확률을 재사용함으로써 온라인 재계획 과정의 계산 오버헤드를 최소화하여 실시간 운영이 가능해졌다.
• 광범위한 시뮬레이션을 통해 특히 큰 위치 추정 오차가 발생하는 상황에서 성공률과 견고성 측면에서 뚜렷한 성능 향상을 입증했다.
• 실제 실내 환경에서 물리적 이동 로봇에 대해 검증을 성공적으로 수행하여, 동적 장애물 지ap과 자세 이탈 상황에서도 신뢰할 수 있는 주행을 구현했다.
• 롤아웃 기반 재계획 전략은 로봇 납치와 같은 큰 외란 상황에서도 회복 가능하며, 지속적인 센서 및 액추에이터 노이즈 하에서도 목표 향한 행동을 유지할 수 있다.