기술 요약: 조작 계획 및 제어를 위한 신경 구성 공간 장벽

문제 제기

높은 자유도 (DoF) 를 가진 로봇 매니퓰레이터가 혼잡하고 동적인 환경에서 작동할 때, 운동 계획의 계산 효율성을 보장하면서도 실행 중 강력한 안전 보장을 유지해야 하는 이중적인 과제에 직면합니다. 전통적인 샘플링 기반 계획기 (예: RRT, PRM) 는 빈번하고 비용이 많이 드는 충돌 검사에 의존하여 고차원 구성 공간에서 병목 현상을 초래합니다. 또한, 센서 노이즈와 예측 불가능한 장애물이 있는 동적 환경에서는 계획만으로는 부족하며, 실시간 제어 전략은 충돌을 방지하기 위해 모델링 오차와 관측 불확실성을 고려해야 합니다. 기존 방법들은 종종 정밀하고 미분 가능한 안전 표현의 필요성과 실시간 운영의 계산 제약 사이에서 균형을 맞추는 데 어려움을 겪습니다.

방법론

저자들은 **신경 구성 공간 거리 함수 (CDF)**를 사용하여 운동 계획과 제어를 통합한 통합 프레임워크를 제안합니다. 이 접근법은 세 가지 주요 구성 요소로 이루어져 있습니다:

1. 신경 CDF 표현

이 방법은 구성 공간 ($Q$) 에서의 안전을 표현하기 위해 두 가지 구별된 신경망 모델을 학습합니다:

• 환경 CDF ($f_c$): 구성 $q$에서 작업 공간 장애물 점 $p$까지의 최소 관절 공간 거리를 추정합니다.
• 자기 충돌 CDF ($f_{sc}$): 구성 $q$에서 자기 충돌 구성 집합까지의 최소 관절 공간 거리를 추정합니다.
  이러한 함수들은 다층 퍼셉트론 (MLP) 으로 훈련되어 빠르고 미분 가능한 거리 및 기울기 쿼리를 제공하며, 국소 자유 구성 공간을 근사화합니다.

2. 버블-CDF 계획기

계획 효율성을 향상시키기 위해, 저자들은 급속 탐사 버블 그래프 (RBG) 알고리즘을 도입합니다. 노드를 단일 구성으로 취급하는 대신, 계획기는 구성 공간 내에서 "버블" (구형 영역) 을 구성합니다.

• 버블 구성: 안전한 구성 $q$를 중심으로 한 버블의 반지름은 신경 CDF 장벽 값에 의해 동적으로 결정됩니다: $r(q) = \hat{h}(q, t) - \eta$. 여기서 $\eta$는 안전 마진입니다.
• 효율성: 버블 내의 모든 구성은 (장벽 근사에 따라) 충돌이 없는 것으로 보장됩니다. 이를 통해 계획기는 겹치는 버블을 연결하여 공간을 탐색할 수 있으며, 가장자리 기반 RRT 에 비해 필요한 명시적 충돌 검사의 수를 획기적으로 줄입니다.
• 궤적 최적화: 버블의 경로가 발견되면, 베지어 곡선 시퀀스를 최적화하여 연속적인 궤적을 생성합니다. 이러한 곡선의 제어점은 해당 버블 내에 있도록 제약되며, 볼록 껍질 속성을 통해 전체 궤적이 충돌이 없음을 보장합니다. 이는 볼록 2 차 제약 2 차 계획 (QCQP) 으로 공식화됩니다.

3. 분포 강건 제어 장벽 함수 (DR-CBF)

실시간 실행을 위해, 시스템은 불확실성 하에서 안전을 보장하면서 계획된 궤적을 추적하기 위해 **분포 강건 제어 장벽 함수 (DR-CBF)**를 사용합니다.

• 불확실성 모델링: 이 접근법은 신경망 근사 오차, 포인트 클라우드 센서 노이즈, 동적 장애물 운동에서 발생하는 불확실성을 인정합니다.
• 와서스타인 모호성 집합: 이러한 오차에 대한 알려진 확률 분포를 가정하는 대신, 이 방법은 (몬테카를로 드롭아웃 및 포인트 클라우드 속도 추정을 통해 생성된) 불확실성 샘플의 경험적 분포 주위에 Wasserstein-1 모호성 집합을 구성합니다.
• 안전 필터: 제어기는 명목 PD 제어기와의 편차를 최소화하면서 분포 강건 안전 제약을 만족시키는 2 차 계획 (QP) 을 온라인으로 해결합니다. 이는 모호성 집합 내의 최악의 경우 분포 하에서도 안전 집합을 위반할 확률이 사용자가 지정한 위험 허용치 ($\epsilon$) 이하로 유지되도록 보장합니다.

주요 기여

1. 통합 신경 CDF 장벽: 외부 장애물과 자기 충돌 모두에 대한 거리를 추정하는 학습된 표현으로, 포인트 클라우드 관측으로부터 빠른 거리 및 기울기 쿼리를 가능하게 합니다.
2. 분포 강건 제어: 매니퓰레이터 제어를 위한 새로운 DR-CBF 공식화로, 근본적인 불확실성 분포에 대한 명시적 지식이 필요 없이 모델링 오차, 센서 노이즈, 동적 장애물을 명시적으로 고려합니다.
3. 버블 기반 계획: 신경 CDF 쿼리를 활용하여 안전한 구성 공간 버블의 그래프를 구성하는 샘플링 기반 계획기로, 고차원 공간에서 충돌 검사 오버헤드를 크게 줄입니다.
4. 실험적 검증: 시뮬레이션과 실제 세계의 동적 환경 모두에서 6-DoF UFactory xArm6 매니퓰레이터에 대한 포괄적인 평가를 통해 계획기와 제어기의 통합을 입증했습니다.

결과

이 논문은 CDF-RRT, SDF-RRT, Lazy-RRT 와 같은 RRT 변형, MPPI, 표준 CBF 제어기를 포함한 기준선과 비교한 광범위한 평가를 제시합니다.

• 계획 효율성: 2-DoF 및 6-DoF 시뮬레이션 모두에서 Bubble-CDF 계획기는 충돌 검사 횟수를 한 자릿수 (예: 2-DoF 에서 Lazy-RRT 의 약 1,759 회 대비 약 154 회; 6-DoF 에서 약 2,741 회 대비 약 279 회) 줄이면서도 비교 가능한 경로 길이를 유지했습니다. 또한 후처리를 포함한 전체 실행 시간도 가장 낮았습니다.
• 제어 강건성: 이동 장애물이 있는 동적 환경에서:
  • 표준 PD 제어기는 자주 실패했습니다 (성공률 약 11-18%).
  • 표준 CBF-QP 제어기는 성능이 향상되었으나 모델링되지 않은 불확실성으로 인해 동적 환경에서 크게 저하되었습니다 (성공률 약 64-70%).
  • 제안된 PD + DR-CBF-QP는 정적 및 동적 시뮬레이션과 실제 세계 실험 모두에서 100% 성공을 달성했습니다.
• 실제 세계 성능: 물리적 xArm6 에 대한 실험은 시뮬레이션 결과를 확인했으며, 로봇이 혼잡한 환경을 성공적으로 항해하고 계획된 궤적을 추적하면서 동적 장애물을 피하기 위한 방어 기동을 수행함을 보여주었습니다.

중요성 및 주장

이 논문은 정확한 모델이 사용 불가능하고 장애물이 예측 불가능하게 움직이는 환경에서 로봇 조작을 위한 실용적인 해결책을 제공한다고 주장합니다. 학습된 CDF 를 계획과 제어 모두에 통합함으로써 이 방법은 다음과 같은 성과를 달성합니다:

• 계산 효율성: 구성 공간 버블의 사용을 통해 충돌 검사 작업의 상당한 감소.
• 강건한 안전: 신경망 근사 오차와 센서 노이즈에도 불구하고 안전 보장을 유지하는 능력. 이는 보수적인 오프라인 마진 대신 분포 강건 최적화를 통해 달성됩니다.
• 실시간 적용성: 이 프레임워크는 온보드 센서 (포인트 클라우드) 에서 효과적으로 작동하며 실시간 제어 속도 (50 Hz) 를 지원하므로, 동적 재계획이 필요한 창고 및 조립 라인과 같은 산업 환경에 적합합니다.

저자들은 이 방법이 상세한 환경 모델에 의존하지 않으며 동적 환경에서 작동하는 다른 매니퓰레이터로 확장될 수 있음을 강조하며, 산업 응용 분야에서 생산성과 안전성을 개선하는 것을 목표로 합니다.