이동 로봇의 강인 행동 계획 방법

Abstract

로봇은 인간과 로봇, 그리고 로봇과 환경 사이의 상호작용을 통해 인간에게 서비스를 제공한다. 이러한 서비스는 여러 행동들의 순서 조합으로 구성되고, 로봇은 서비스와 행동을 상황에 맞춰 수행한다. 때문에 로봇이 태스크를 성취하기 위해서는 행동 계획이 필요하다. 여기서 행동 계획이란 태스크를 성취하기 위한 일련의 행동 순서를 말한다. 행동 계획은 일반적으로 계획기(planner) 또는 사람이 작성한다. 특히 사람이 직접 작성한 행동 계획을 일반적으로 프로그램이라고 부른다. 산업용 로봇의 경우처럼 작업 환경이 로봇 중심으로 고정되어 있으며, 수행하는 태스크가 고정적이라면 로봇의 행동 순서를 사람이 직접 프로그램 하기 쉽다. 그러나, 서비스 로봇 (이동 로봇)은 작업 환경이 인간 중심의 동적인 환경이고, 다수의 태스크를 수행해야 한다. 동적인 환경에서 로봇이 수행하는 행동을 프로그램 하기 위해서 행동 계획기를 사용한다. 일반적인 행동 계획기는 현재 로봇 상태에서 태스크 성공 상태까지의 행동 순서 (또는 경로)를 작성한다. 계획(planning), 반응 계획(reactive plan), 경로 라이브러리 (trajectory library)등의 기존의 행동 계획 방법들은 로봇이 동적인 환경에서 태스크를 수행하기 위한 행동 순서를 작성해 준다. 그러나, 이런 계획 방법들은 문제점을 지니고 있다. 계획(planning) 방법은 동적 상황 변화에 따른 예외 상황이 발생하면 현재 상황에서 목표까지 계획을 작성하기 때문에 추가적인 비용(계획 실패 또는 재계획)이 발생한다. 반응 계획 (reactive plan)방법은 주변 환경에 대한 완벽한 이해가 가능하다는 전제 조건과 로봇이 취할 수 있는 단위 행동, 그리고 그에 속한 주목할 만한 상태들을 이미 알고 있다고 가정한다. 경로 라이브러리 (trajectory library)방법은 태스크를 성공적으로 성취할 수 있는 에피소드(또는 경로)를 라이브러리에 포함하도록 수동적으로 설계한다. 본 논문은 기존의 계획 방법들이 지니고 있는 문제점을 해결하기 위해 강인 행동 계획 방법을 제안한다. 강인 행동 계획의 기본 개념은 흐름 원리(Flow theory)에서 기인한다. 흐름 원리는 하나의 큰 태스크를 여러 개의 하위 태스크로 나누고, 그것을 하나씩 성취해 태스크를 완수하는 방법을 말한다. 강인 행동 계획 방법도 이와 마찬가지로 로봇이 수행해야 할 태스크의 목표를 여러 개의 하위 목표로 나누고, 그것을 하나씩 완수하는 과정을 통해 태스크의 목표를 성취하도록 하는 계획 방법이다. 마지막으로 강인 행동 계획 방법의 정당성을 증명하기 위해 Box-Pushing-into-a-Goal 태스크를 이용해 실제 로봇에 적용하여 테스트 하였다.; We propose a planning algorithm to automatically generate a robust behavior plan(RPB) with which mobile robots can achieve their task goal from any initial states under dynamically changing environments. For this, task description space(TDS) is formulated, where a redundant task configuration space and simulation model of physical space are employed. Successful task episodes are collected, where A* algorithm is employed. Interesting TDS state vectors are extracted, where occurrence frequency is used. Clusters of TDS state vectors are found by using state transition tuples and feature of state transition tuples. From these operations, characteristics of successfully performed tasks by a simulator are abstracted and generalized. Then, a robust behavior plan is constructed as an ordered tree structure, where nodes of the tree are represented by attentive TDS state vector of each cluster. The validity of our method is tested by real robot’s experimentation for a box-pushing-into-a-goal task.