Adaptive Motion for Planned and Reactive RobotNavigation

Abstract

본 학위논문은 로봇이 처해진 상태와 환경에 맞춰 적응하는 로봇 네비게이션 방법을 탐구한다. 아울러 계획된 경로를 바탕으로 디자인 경로 평활화와 최적화 방법을 2D 및 3D 공간으로 제시 및 반응성 환경을 나타내는 인풋 시그널을 기반으로 한 심층 신경망 로봇 네비게이션 시스템을 다룬다. 2D 경로 평활화는 키네마틱 제약조건을 유지하면서 고정된 경로 플래너 아웃풋에서 최적화된 경로 길이를 추출한다. 이에 베지어 곡선 매개변수 업데이트는 연속적인 piece-wise 곡선을 얻기 위해 사용되었다. 본 방법은 최소 경로 길이의 부드러운 곡선을 얻기 위해 경로 플래너 아웃풋 최적화 경우를 대비하여 3D 공간으로도 제시된다. 해당 부드러운 곡선은 3D 키네마틱 제약조건을 모두 충족한다. 실험 데이터는 유사한 최첨단 방법에 비해 개선된 모습을 보여준다. 반응형 로봇 네비게이션 시스템을 얻기 위해 사전 계산과 계획 없이 기존에 알려지지 않은 환경에서 장애물을 탐색하고 피하는 방법을 학습하는 심층 신경망 디자인과 구현을 제시한다. 프록시 기반 네비게이션 시스템에 대해 deep deterministic policy gradient 기반으로 둔 심층 신경망을 설계하였다. 이 시스템은 인간 근접 영역에 기초한 시뮬레이션 환경에서 레이저로부터 이동하는 장애물을 피하는 법을 배운다. 해당 네트워크 기능은 또한 depth 이미지로부터 목표 지향적이고 정보 수집 기능도 포함하도록 확장되었다. 큰 매개변수 공간을 완화하기 위해 심도 분리형 convolution 기능도 추가되었다. 획득한 네트워크는 로봇에 추가하여 실제 환경에서 시험했다. 기록된 실험 데이터는 유사한 최첨단 방법에 비해 향상된 장애물 회피 기능을 보여준다. 계획된 적응형 네비게이션 방법과 반응형 네비게이션 방법을 비교하여 결론을 도출하였다.; In this thesis we explore several robot navigation methods that are capable of adapting to the robot's current state and the environment. We present designed path smoothing and optimization methods in 2D and 3D space, based on an obtained path in a planned manner. Also presented are designed deep neural network robot navigation systems, that act based on the input signals representing the environment in a reactive manner. The 2D path smoothing optimizes the path length from a given path planner output while maintaining the kinematic constraints. A Bezier curve parameter updating is used to obtain a continuous piece-wise smooth curve. This method is further expanded for path smoothing in 3D case where a path planner output is optimized to obtain a smooth curve with minimal path length. The obtained smooth curve follows full 3D kinematic constraints. The experimental data shows the exhibited improvement over similar state-of-the-art methods. In order to obtain reactive robot navigation system, we present the design and implementation of a deep neural network that learns to navigate and avoid obstacles in a previously unknown environment and without a pre-calculated plan. For a proxemics-based navigation system we design a deep deterministic policy gradient-based neural network. This system learns to avoid moving obstacles from laser inputs in a simulated environment based on the human proxemics zones. Network is further expanded to include goal-orientation and information gathering from depth images. Depth-wise separable convolution is introduced to alleviate the large parameter space. The obtained networks are transferred to a robot and tested in a real environment. Recorded experimental data shows improved obstacle avoidance over similar state-of-the-art methods. Conclusions are drawn by comparing the planned and reactive adaptive navigation methods.