Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning

기술 요약: 라벨 없는 다중 로봇 운동 계획에 대한 그래프 신경망 계획 및 예측 제어

문제 정의
본 논문은 동종 다중 로봇 시스템의 라벨 없는 운동 계획 문제를 다룹니다. 이 설정에서 $N$개의 상호 교환 가능한 로봇은 사전에 할당된 짝 없이 $N$개의 목표 지점 집합에 협력적으로 도달해야 합니다. 목표는 충돌 방지를 보장하면서 총 이동 시간과 거리를 최소화하는 것입니다. 이 문제는 결합 할당 및 궤적 계획 작업으로 형식화되며, PSPACE-hard 문제입니다.

저자들은 이 문제에 대한 기존 그래프 신경망 (GNN) 접근법의 중요한 격차를 다음과 같이 규명했습니다:

1. 단순화된 동역학: 이전 GNN 방법들은 종종 시뮬레이션에서 단순화된 동역학에 의존하며 속도 명령을 직접 예측하여, 실제 세계의 비선형 동역학과 구동 한계를 고려하지 못합니다.
2. 안전 보장: 충돌 방지는 종종 소프트 제약 조건이나 사후 필터로 처리되어 구동 한계 하에서 안전을 보장하지 못합니다.
3. 통신 제약: 기존 GNN 아키텍처는 종종 4~5 계층의 멀티-홉 통신을 요구하여, 실제 세계의 통신 지연 및 손실에 취약합니다.
4. 배포: 대부분의 학습 기반 방법은 분산형 온보드 실행이 아닌 중앙 집중식 오프보드 추론에 의존합니다.

방법론: 계층적 GATP-NMPC 프레임워크
저자들은 고수준 계획과 저수준 제어를 분리하는 계층적 프레임워크 (그림 1) 를 제안하며, **그래프 어텐션 플래너 (GATP)**와 **분산형 비선형 모델 예측 제어기 (NMPC)**를 통합합니다.

1. 고수준 계획 (GATP):

   • 아키텍처: 플래너는 메시지 전달이 2 계층만 있는 그래프 어텐션 네트워크 (GAT) 를 활용합니다. 각 로봇은 $M$개의 가장 가까운 이웃 (예: $M=2$) 과만 통신합니다.
   • 메커니즘: GNN 은 $P_g$개의 가장 가까운 목표와 $P_r$개의 가장 가까운 로봇의 상대적 위치와 같은 로컬 관측치를 처리하여 직접적인 속도 명령이 아닌 중간 하위 목표($s_i$) 를 예측합니다.
   • 설계 선택: 아키텍처는 다층 퍼셉트론 (MLP) 을 사용하여 초기 노드 임베딩과 집계된 이웃 정보를 융합합니다. 이 "업데이트 함수"($f_1$) 는 치환 불변성을 유지하고 노드 차별화를 강화합니다. 출력은 원하는 시간 범위 $T_p$와 최대 속도 $v_{max}$에 기반하여 공간 범위 $S_p$(예: 4m) 로 스케일링됩니다.
   • 학습: GATP 는 최적의 하위 목표를 생성하는 중앙 집중식 전문가 (헝가리안 알고리즘) 를 사용하여 모방 학습을 통해 훈련됩니다. 훈련 중에는 점진적으로 전문가 하위 목표를 GATP 예측으로 대체하기 위해 스케줄링된 샘플링 방식이 사용됩니다.

2. 저수준 제어 (NMPC):

   • 실행: 각 로봇은 GATP 가 제공하는 하위 목표를 추적하기 위해 분산형 NMPC 를 실행합니다.
   • 제약 조건: NMPC 는 제어 입력을 생성하기 위해 예측 범위 $T_c$에 걸쳐 비선형 최적화 문제를 풉니다. 이는 명시적으로 다음을 강제합니다:
     • 비선형 동역학: 쿼드콥터 동역학은 제어-아핀 시스템으로 모델링됩니다.
     • 안전: 로봇 간 안전 거리 $d_{safe}$를 유지하기 위해 **지수 제어 배리어 함수 (ECBF)**를 사용하여 하드 안전 제약 조건이 강제됩니다.
     • 구동 한계: 모터 추력 제약이 준수됩니다.
   • 통합: GATP 는 로봇의 변화하는 위치에 기반하여 NMPC 참조 궤적을 지속적으로 업데이트하여, NMPC 가 고주파수 (예: 100160 Hz) 로 실행되는 동안 저주파수 재계획 (예: 12 Hz) 을 가능하게 합니다.

주요 기여

• 계층적 프레임워크: 비선형 동역학 및 구동 제약이 있는 실제 세계 시스템에 학습 기반 방법을 적용할 수 있도록, GNN 기반 플래너와 안전이 보장된 NMPC 를 통합한 새로운 접근법.
• 강건한 GNN 아키텍처: 최소한의 통신 (1-홉, $M=2$ 이웃) 만 요구하는 2 계층 그래프 어텐션 네트워크. 저자들은 이 얕은 아키텍처가 이전 작업에서 사용된 깊은 GNN 보다 통신 지연에 대한 강건성을 향상시킨다고 입증했습니다.
• 실제 세계 배포: 물리적 쿼드콥터에서 완전 분산형 온보드 추론 설정으로 배포된 GNN 기반 라벨 없는 운동 플래너의 첫 번째 검증.
• 애블레이션 및 벤치마킹: 제안된 GATP 아키텍처 (특정 업데이트 함수 포함) 가 표준 그래프 합성곱 네트워크 (GCN) 및 대체 업데이트 전략보다 커버리지 성능과 더 큰 팀 크기로의 일반화 측면에서 우수함을 보여주는 비교 연구.

실험 결과

• 시뮬레이션 (쿼드콥터 10 대):
  • 커버리지 성능: GATP 는 GCN 과 유사한 커버리지를 달성했습니다 (10 대 로봇 기준 40 초 동안 94.55% 대 95.00%) 하지만 더 큰 팀 (최대 50 대) 으로 일반화되는 데 있어 우월함을 보였습니다. GATP 는 팀 크기가 증가함에 따라 GCN(34.5%) 에 비해 성능 저하가 더 작았습니다 (23.5%). 이는 어텐션 메커니즘이 이웃의 중요성을 동적으로 가중치 할 수 있는 능력에 기인합니다.
  • 통신 지연: 시스템은 최대 0.6 초의 시뮬레이션 통신 지연으로 테스트되었습니다. 프레임워크는 최대 200 ms(총 지연 $D=0.2$s) 의 지연에 대해 강건하게 유지되었으며, 커버리지 시간은 약 3.8~5.5% 만 증가했습니다. 지연이 계획 업데이트 간격 (0.5 초) 에 근접할 때만 성능이 크게 저하되었습니다.
• 실제 세계 실험 (쿼드콥터 4 대):
  • 배포: 시스템은 실내 테스트베드에서 퀄컴 VOXL 2 프로세서를 탑재한 맞춤형 쿼드콥터에 배포되었습니다.
  • 작업: 서클 포메이션 및 존 커버리지 작업을 성공적으로 수행했으며, 충돌을 피하기 위해 플래너가 목표를 재할당하는 동적 장애물 회피도 수행했습니다.
  • 지연 시간: GATP 추론 시간은 (통신 제외) 약 1 ms였습니다. 계층당 평균 통신 지연은 26 ms였으며, 이로 인해 로봇당 총 계획 시간은 51 ms 에서 134 ms 사이였습니다. 이는 시스템이 시뮬레이션에서 확인된 강건한 지연 범위 내에서 작동함을 확인시켜 줍니다.

의의 및 주장
본 논문은 이 작업이 확장 가능한 학습 기반 다중 로봇 계획과 실제 세계 배포의 엄격한 안전 요구 사항 사이의 격차를 해소한다고 주장합니다. 통신 효율적인 GNN 과 제약 조건 인식 NMPC 를 결합함으로써, 저자들은 다음을 입증합니다:

1. 안전성과 실현 가능성: NMPC 를 통해 안전성과 동적 실현 가능성을 보장하면서 고수준 조정에 GNN 을 사용할 수 있습니다.
2. 확장성과 강건성: 얕은 어텐션 기반 GNN 아키텍처는 더 깊은 멀티-홉 아키텍처보다 더 큰 팀으로의 일반화와 통신 지연에 대한 더 큰 강건성을 제공합니다.
3. 실용적 타당성: 쿼드콥터를 이용한 성공적인 실제 세계 실험을 통해 다중 로봇 시스템에 대한 분산형 온보드 추론이 실현 가능함을 입증했습니다.

저자들은 현재 설계가 유계 지연을 잘 처리하지만, 향후 작업은 훈련 과정에서 계획과 제어 간의 더 현실적인 비동기 통신 조건과 더 긴밀한 결합을 조사할 것이라고 겸손하게 결론지었습니다.