QDTraj: 가동식 물체의 로봇 조작을 위한 다양한 궤적 원천 탐색

최근 학습 및 로봇 공학 분야의 발전 덕분에 가정용 로봇은 이제 자율적으로 가사 작업을 수행하기 위해 집으로 진입하고 있습니다. 그러나 로봇들은 여전히 개방형 환경에서 자율적인 조작 작업을 수행하는 데 어려움을 겪고 있습니다. 이러한 맥락에서 본 논문은 로봇이 다양한 종류의 가동식 물체를 조작할 수 있도록 하는 방법을 제시합니다. 본 논문의 핵심은 주어진 물체의 가동 구조를 조작하기 위해 서로 다른 수준의 로봇 궤적 원천 (low-level trajectory primitives) 을 자동으로 생성하는 것입니다. 전문가용 궤적을 생성할 때 매우 중요한 점은 동일한 목표를 달성하기 위한 해결책의 다양성을 고려하는 것입니다. 실제로, 동일한 작업을 수행하기 위해 다양한 수준의 원천을 알고 있다면 로봇은 실제 환경에서 실시간 제약 조건과 예기치 않은 변화를 겪더라도 최적의 해법을 선택할 수 있습니다. 이를 위해 우리는 희소 보상 탐색 (sparse reward exploration) 을 활용하여 주어진 조작 작업에 대해 다양하고 고성능인 궤적 원천 집합을 생성하기 위한 Quality-Diversity 알고리즘 기반 방법을 제안합니다. 우리는 QDTraj라는 이름의 이 방법을 시뮬레이션에서 다양한 궤적을 생성하고 실제 세계에서 배포함으로써 검증했습니다. QDTraj는 힌지 (hinge) 와 슬라이더 (slider) 활성화 작업 모두에 대해 비교 대상인 다른 방법들보다 적어도 5 배 더 많은 다양한 궤적을 생성하여 우수한 성능을 보였습니다. 우리는 PartNetMobility 가동식 물체 데이터셋의 30 가지 가동 구조에 대해 본 방법의 일반화 능력을 평가했으며, 작업당 평균 704 개의 서로 다른 궤적을 얻었습니다. 코드는 공개적으로 사용 가능합니다: https://kappel.web.isir.upmc.fr/trajectory_primitive_website