Trajectory optimization (TO) aims to find a sequence of valid robot states while minimizing trajectory costs. However, its fine validation process is often costly due to computationally expensive collision searches, otherwise coarse searches lower the safety of the system losing a precise solution.
To resolve the issues, we introduce a new collision-distance estimator, GraphDistNet. GraphDistNet can precisely encode the structural information between two geometries, a robot and obstacles, by leveraging edge feature-based convolutional operations, and also efficiently predict of collision distances and gradients by the batch computation. We validate the efficiency and preciseness of our model by estimating $25,000$ random environments with a maximum of $20$ unforeseen objects in the experiment. Further, we show the adoption of message passing neural networks and attention mechanism enables our method to be easily generalized in environments containing unforeseen complex geometries. Our evaluation show GraphDistNet outperforms state-of-the-art baseline methods in both simulated and real world tasks. Part of this work was presented at the 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) and published in 2022 IEEE Robotics and Automation Letters (RA-L).
경로 최적화는 경로의 비용을 최소화하면서 로봇의 유효한 상태의 순서를 찾는 것을 목표로 한다. 하지만 경로 최적화의 정밀한 검증은 계산 비용이 높은 충돌 검사로 인해 대부분 계산량이 많으며, 반대로 간략화된 충돌 검사는 정확한 해답을 잃게 되고 시스템의 안전성을 떨어뜨린다.
이 문제를 해결하기 위해 본 연구에서는 새로운 충돌 거리 예측기인 GraphDistNet을 소개한다. GraphDistNet은 엣지 특징 기반의 컨볼루션 연산 (Edge Feature-based Convolution Operation) 을 활용하여 로봇과 장애물의 두 기하학적 구조 정보를 정확하게 인코딩 (Encoding) 하고, 충돌 거리 및 기울기를 배치 계산 (Batch Computation) 으로 효율적으로 예측할 수 있다. 본 연구에서는 실험을 통해 $25,000$개의 무작위 환경에서 최대 $20$개의 본 적이 없는 장애물을 예측함으로써 제안한 모델의 효율성과 정확성을 검증하였다. 또한, 우리는 메시지 패싱 인공 신경망 (Message-passing Neural Networks) 과 어텐션 메커니즘 (Attention Mechanism) 을 적용하여, 제안한 모델이 본 적이 없는 복잡한 기하학적 환경에서 쉽게 일반화가 가능한 것을 보여준다. 본 연구에서 수행한 평가는 GraphDistNet이 시뮬레이션의 작업과 실제 실험의 작업 모두에서 최첨단의 비교 대상 방법들을 능가한 것을 보여준다. 본 연구의 일부는 2022 IEEE/RSJ 지능 로봇 및 시스템 국제 컨퍼런스 (IROS) 에서 발표되었고, 2022 IEEE 로보틱스와 자동화 레터 (RA-L) 에 게재되었다.