Probabilistic Inference in Planning for Partially Observable Long Horizon Problems

저자: Alphonsus Adu-Bredu, Nikhil Devraj, Pin-Han Lin, Zhen Zeng, Odest Chadwicke Jenkins · IROS 2021

라이선스

• 오픈 액세스
• 논문: CC BY 4.0

아래 내용은 모두 논문의 라이선스(CC BY 4.0)에 따라 논문 전문을 바탕으로 하며, 그림에는 저자를 표기했습니다.

요약

SHY-COBRA는 잡음이 섞인 신념으로 초기화한 제약 그래프 위에서 신뢰 전파로 기호적 계획의 파지, 자세, 궤적을 구체화한 다음, 실행하고 관측하고 재계획한다.

중요한 이유

실제 로봇은 물체의 위치와 자신의 관절 상태 모두에서 잡음을 겪으며, 이 중 하나만 다루는 플래너는 파지에 실패하게 된다. 모든 연속 파라미터를 샘플 기반 신념으로 표현하면 어떤 불확실성 모델이든 계획에 반영할 수 있으며, 이는 모바일 매니퓰레이터가 여러 단계의 가사 과제를 수행하는 데 필요한 것이다.

문제

요리 같은 장기 서비스 과제에는 통합된 과제 및 동작 계획(TAMP)이 필요하지만, 대부분의 TAMP 방법은 상태가 완전히 알려져 있고 행동이 결정론적이라고 가정한다. 부분 관측성을 다루는 방법은 보통 샘플링이나 최적화로 하이브리드 제약 문제를 풀고 신념을 가장 가능성 높은 값으로 축약한다. 가장 가까운 기존 방법인 SS-Replan은 물체 자세의 불확실성만 모델링한다.

제안 방법

기호적 플래너(Fast Downward)가 계획 골격을 생성하면, 그 자유 파라미터(로봇 구성, 물체 자세, 파지, 팔 궤적)가 인자 그래프의 변수 노드가 되고, 인자는 기구학적 실현 가능성, 충돌 없는 운동, 안정적인 파지, 안정적인 배치 같은 제약이 된다. 변수는 로봇의 잡음 섞인 신념에서 뽑은 샘플로 초기화되며, max-product Pull Message Passing Nonparametric Belief Propagation(PMPNBP)이 모든 제약을 함께 만족하는 할당을 추론한다. 로봇은 각 행동을 실행하고, 관측으로 신념을 갱신하며, 효과가 기대와 다르면 그래프를 다시 만들고 재계획한다.

핵심 통찰

• 계획 골격의 구체화는 제약을 인자로, 행동 파라미터를 변수로 하는 인자 그래프 위의 추론으로 볼 수 있다.
• 비모수적 신뢰 전파는 신념을 최대 우도 추정치로 축약하지 않고 샘플 기반 신념 전체를 유지하므로, 임의의 불확실성 분포를 사용할 수 있다.
• 물체 자세 잡음뿐 아니라 관절 구성 잡음까지 모델링하면, 자세 잡음만 모델링하는 플래너에 비해 집기와 놓기 실패가 줄어든다.
• 이 방법의 계획 비용은 추정 잡음의 크기에 따라 증가한다.

주요 결과

• Retrieve 과제: SHY-COBRA는 계획 시간 9.37 ± 5.25 s, 오류 1.33 ± 1.52회이며, SS-Replan*은 16.61 ± 5.68 s, 오류 8.67 ± 4.93회.
• Wash 과제: 15.72 ± 6.91 s, 오류 2.67 ± 3.06회 대 21.32 ± 8.53 s, 오류 7.00 ± 3.60회.
• Cook 과제: 25.15 ± 5.16 s, 오류 3.50 ± 2.12회 대 29.28 ± 13.61 s, 오류 6.33 ± 0.58회.
• Serve-meal 과제: 37.24 ± 10.04 s, 오류 7.00 ± 2.83회 대 52.75 ± 16.82 s, 오류 15.5 ± 0.71회.
• 결과는 과제당 무작위로 생성한 12개 문제에 대한 것이며, 물체 자세 잡음은 표준편차 10 cm, 관절 구성 잡음은 표준편차 0.25 rad, 각각 샘플 100개, 계획 주기당 PMPNBP 반복 10회를 사용했다.

한계

• 저자들은 이 방법의 시간 복잡도가 추정치 잡음의 크기에 따라 증가한다고 밝힌다(Fig. 6).
• 모든 실험은 시뮬레이션된 Digit 로봇을 사용한 PyBullet 시뮬레이션이며, 실제 로봇 시험은 없다.
• 실험은 자세와 관절 추정치에 평균이 0인 가우스 잡음을 가정하지만, 방법 자체는 분포 유형과 무관하다고 기술된다.
• 계획 골격은 별도의 기호적 플래너에서 나오며, 유일한 기준선은 저자들이 SS-Replan을 각색한 SS-Replan*이다.

분야에 미친 영향

IROS 2021 Best Paper Award on Mobile Manipulation 수상작이며, 12회 인용되었다. 논문은 코드나 데이터 공개를 언급하지 않는다.

초록

자율 서비스 로봇이 실제 세계에서 장기 과제를 성공적으로 수행하려면 부분 관측 환경에서 지능적으로 행동해야 한다. 대부분의 과제 및 동작 계획(TAMP) 접근법은 상태 공간을 완전히 관측할 수 있다고 가정하므로, 실제 세계의 불확실성을 반영하는 확률적이고 부분 관측 가능한 영역에서는 효과적이지 않다. 우리는 부분 관측 영역에서 장기 과제를 수행하기 위한 온라인 계획 및 실행 접근법을 제안한다. 로봇의 신념과 기호적 행동으로 구성된 계획 골격이 주어지면, 우리의 접근법은 계획을 성공적으로 실행하는 데 필요한 연속 행동 파라미터를 추론하여 각 기호적 행동을 구체화한다. 이를 위해 행동 파라미터의 결합 추론 문제를 하이브리드 제약 충족 문제(H-CSP)로 정식화하고, 신뢰 전파(belief propagation)를 사용하여 H-CSP를 푼다. 로봇은 그 결과로 파라미터화된 행동을 실행하고, 세계에 대한 신념을 갱신하며, 필요할 때 재계획한다. 우리의 접근법은 사실적인 주방 시뮬레이션 환경에서 부분 관측 과제를 효율적으로 풀 수 있다. 우리의 접근법은 모든 실험에서 최신 방법을 각색한 버전보다 우수한 성능을 보였다.

링크

• arXiv 2110.09153: https://arxiv.org/abs/2110.09153
• DOI 10.1109/IROS51168.2021.9636685: https://doi.org/10.1109/IROS51168.2021.9636685
• PDF: https://arxiv.org/pdf/2110.09153v1