기술 요약: AURA - 점근적 최적 불확실성-강건 재계획 알고리즘

1. 문제 정의

샘플 기반 운동동역학 계획기는 전진 전파에 의존하여 비추적 불가능한 조향 함수를 피함으로써, 고차원, 저구동, 비홀로노믹 시스템에 대해 확장 가능한 프레임워크를 제공합니다. 그러나 두 가지 치명적인 한계가 실용적 적용을 방해합니다:

1. 시간 제약 하의 비최적성: 점근적 최적 (AO) 계획기는 샘플 수가 무한대에 접근할 때만 전역 최적점으로의 수렴을 보장합니다. 실제로는 제한된 계획 시간으로 인해 종종 비최적의 초기 궤적이 생성됩니다.
2. 불확실성 하의 실행 편차: 계획된 궤적의 개방 루프 실행은 모델 불일치, 모델링되지 않은 동역학, 그리고 구동 오차에서 비롯된 운동 불확실성에 취약합니다. 이는 명목 경로에서의 편차를 초래하여 충돌이나 작업 실패로 이어질 수 있습니다.

기존 솔루션들은 트레이드오프에 직면해 있습니다: 온라인 재계획 전략은 종종 이전 탐색 진전을 폐기하거나 조향 함수 (일반적인 운동동역학 시스템에서는 사용할 수 없음) 를 요구하는 반면, 예측 제어 방법은 일반적으로 전역 계획을 개선하거나 간헐적인 상태 관측을 효과적으로 처리하지 못한 채 고정된 참조 궤적을 추적합니다.

2. 방법론: AURA 프레임워크

저자들은 전진 전파 기반의 임의의 AO 계획기 위에서 작동하도록 설계된 메타 계획기 프레임워크인 AURA(점근적 최적 불확실성-강건 재계획 알고리즘) 를 제안합니다. AURA 는 실행 단계 동안 실행되는 세 가지 동시 모듈을 통해 전역 탐색과 국소 강건성을 통합합니다:

A. 실행 모듈

이 스레드는 고정된 시간 $\Delta t$ 동안 시스템에 현재 최상의 제어 입력 ($u_{exec}$) 을 적용합니다. 이는 불확실성으로 인해 명목 상태와 편차할 수 있는 결과적인 실제 상태 ($x_{gt}$) 를 관측합니다.

B. 전역 재계획 모듈

처음부터 계획을 다시 시작하는 대신, 이 모듈은 기존 탐색 트리를 활용하여 실행 중 궤적을 계속 정제합니다.

• 가지치기: 실행 시, 현재 상태에서 운동동역학적으로 더 이상 도달할 수 없는 트리의 가지들이 제거됩니다.
• 재계획: 계획기는 가지치기가 된 트리에서 현재 상태를 새로운 루트로 하여 계획을 재개합니다. 이를 통해 시스템은 로봇이 이동하는 동안 조향 함수 없이도 점근적 최적성 특성을 활용하여 지속적으로 비용이 낮은 궤적을 찾을 수 있습니다.

C. 국소 최적화 모듈

불확실성으로 인한 추적 오차를 완화하기 위해, 이 모듈은 사전 계산 기반 최적화 전략을 사용합니다.

• 메커니즘: 다음 상태가 관측되기 전에, 이 모듈은 명목 후속 상태 근처의 잠재적 미래 상태 ($X_B$) 의 배치를 샘플링합니다. 각 샘플과 계획 트리의 각 자식 노드에 대해, 종단 전파 오차를 최소화하기 위해 경사 하강법을 사용하여 최적화된 복구 제어 ($U_{opt}$) 를 계산합니다.
• 실행: 실제 상태가 관측되면, 시스템은 계획된 궤적으로 시스템을 되돌리는 데 가장 적합한 사전 계산된 제어를 선택합니다.
• 이론적 보장: 이 논문은 리프시츠 연속성과 Chow 조건과 같은 온화한 가정 하에 복구 제어의 존재를 증명하여, 교란된 상태를 명목 경로로 되돌릴 수 있는 동역학적으로 실현 가능한 궤적이 항상 존재함을 보장합니다.

D. 동기화

각 사이클이 끝날 때, 후보 궤적들의 비용은 현재 상태를 기반으로 재계산됩니다. 최상의 궤적이 선택되고, 해당 최적화된 제어는 다음 구간에서 실행됩니다.

3. 주요 기여

이 논문은 세 가지 주요 기여를 주장합니다:

1. 새로운 온라인 재계획 프레임워크: 조향 함수 없이 실행 중 궤적 품질을 지속적으로 개선하는 운동동역학 AO 계획기를 위한 방법.
2. GPU 가속 국소 최적화: 이론적 증명 (온화한 가정 하에 복구 제어가 항상 존재함) 을 통해 실행 편차를 완화하는 모듈 (추적 오차 최대 72% 감소 입증).
3. 종합적 평가: 시뮬레이션 및 실제 환경에서 여러 동역학 모델 (분석적 및 학습된) 에 대한 검증으로, 베이스라인 대비 최대 50% 의 총 작업 시간 감소를 보임.

4. 실험 결과

이 프레임워크는 6 차원 더블 적분기, 운동학적 자동차, 그리고 학습된 비선형 푸싱 모델 세 가지 시스템에서 평가되었습니다. 환경에는 가우시안 잡음, 모델 불일치가 포함된 MuJoCo 시뮬레이션, 그리고 실제 UR10 로봇 작업이 포함되었습니다.

• 궤적 품질: AURA 는 동일한 초기 계획 시간을 기준으로 베어 AO 계획기 (SST, AO-RRT, AO-EST) 보다 일관되게 비용이 낮은 궤적을 생성했습니다. 예를 들어, AURA 를 사용한 5 초의 오프라인 계획은 베어 계획기를 사용한 30 초의 오프라인 계획과 비교할 만한 품질을 달성했습니다.
• 추적 강건성: 국소 최적화 모듈은 개방 루프 실행 대비 시뮬레이션에서 단계별 추적 오차를 최대 72% 까지, 실제 환경에서는 53% 까지 감소시켰습니다.
• 작업 효율성: 월 시간 (목표 도달까지의 총 시간) 측면에서 AURA 는 재시작 재계획 (RR) 과 모델 예측 경로 적분 (MPPI) 보다 우월했습니다. RR 은 비용이 많이 드는 전체 재계획으로 인해 높은 분산과 긴 실행 시간을 겪었으며, MPPI 는 복잡하고 긴 시간 범위의 작업에서 지역 최소값에 갇히는 데 어려움을 겪었습니다. AURA 는 전역 계획을 정제하면서 국소 오차를 수정하는 능력으로 더 일관되고 빠른 작업 완수를 이끌었습니다.
• 초파라미터 민감도: 분석에 따르면, 실현 가능한 초기 궤적이 발견되면 오프라인 계획 시간을 늘리는 것은 체감 수익이 감소합니다. 성능은 주로 재계획 빈도와 국소 최적화에 사용 가능한 시간을 균형 있게 조절하는 제어 시간 ($\Delta t$) 에 의해 주도됩니다.

5. 중요성 및 주장

이 논문은 AURA 를 이론적 점근적 최적성과 실제 실행 강건성 사이의 격차를 해소하는 유연하고 계산 효율적인 접근법으로 위치시킵니다. 그 중요성은 다음과 같습니다:

• 계획과 실행의 분리: 실현 가능하지만 (잠재적으로 비최적일 수 있는) 계획에서 실행을 시작하고 온라인으로 이를 정제함으로써 광범위한 오프라인 계산의 필요성을 줄입니다.
• 모델 무관성: 이 프레임워크는 분석적 동역학과 학습된 신경망 모델 모두와 호환되어 정확한 모델을 얻기 어려운 시스템에 적용 가능합니다.
• 하드웨어 불확실성에 대한 강건성: 실제 환경 실험은 AURA 가 고빈도 상태 피드백이나 완벽한 모델 지식 없이도 하드웨어 실행 불확실성을 처리할 수 있음을 보여줍니다.

저자들은 한계를 인정하며, 복구 성능은 샘플링된 배치와 동역학 복잡성에 의존하며, 최적 제어 시간은 시스템의 동역학에 맞게 조정되어야 한다고 지적합니다. 향후 작업은 파이프라인을 더욱 가속화하기 위해 계획 계산을 병렬화하는 것을 제안합니다.