[논문 리뷰] A Comprehensive Review on Autonomous Navigation

Saeid Nahavandi, Roohallah Alizadehsani외 5명|arXiv (Cornell University)|2022. 12. 24.

Robotic Path Planning Algorithms인용 수 13

한 줄 요약

이 종합적인 리뷰는 이동 로봇의 자율 주행 분야에서 최신 기술 발전을 종합적으로 분석하며, 센서 기술, SLAM, 경로 계획, 장애물 회피, 센서 융합, 딥 러닝 통합을 포함한다. 주요 과제, 향후 연구 방향 및 공개된 데이터셋을 강조하여 로봇공학 및 AI 기반 주행 시스템 분야의 연구자들에게 핵심적인 로드맵을 제시한다.

ABSTRACT

The field of autonomous mobile robots has undergone dramatic advancements over the past decades. Despite achieving important milestones, several challenges are yet to be addressed. Aggregating the achievements of the robotic community as survey papers is vital to keep the track of current state-of-the-art and the challenges that must be tackled in the future. This paper tries to provide a comprehensive review of autonomous mobile robots covering topics such as sensor types, mobile robot platforms, simulation tools, path planning and following, sensor fusion methods, obstacle avoidance, and SLAM. The urge to present a survey paper is twofold. First, autonomous navigation field evolves fast so writing survey papers regularly is crucial to keep the research community well-aware of the current status of this field. Second, deep learning methods have revolutionized many fields including autonomous navigation. Therefore, it is necessary to give an appropriate treatment of the role of deep learning in autonomous navigation as well which is covered in this paper. Future works and research gaps will also be discussed.

연구 동기 및 목표

• 로봇공학 분야의 급속한 발전을 반영하여 이동 로봇의 자율 주행 기술에 대한 종합적이고 최신의 종합적 분석을 제공하기 위해.
• 특히 동적이고 비정형 환경에서의 자율 주행 분야의 핵심 연구 격차와 과제를 특정하고 분석하기 위해.
• 딥 러닝이 SLAM, 장애물 회피 및 경로 계획 향상에 미치는 변혁적 역할을 강조하기 위해.
• 주행 파이프라인 테스트에 적합한 주요 시뮬레이션 플랫폼, 센서 유형 및 공개된 데이터셋을 평가하고 비교하기 위해.
• 의미론적 SLAM, 강건한 루프 클로징 탐지 및 최소한의 환경 사전 지식으로 장거리 주행을 가능하게 하는 향후 연구 방향을 제시하기 위해.

제안 방법

• 2000년에서 2022년 사이의 동료 심사 논문을 대상으로 한 체계적 문헌 리뷰로, 자율 이동 로봇 및 주행 시스템에 중점을 둔다.
• 센서 유형(레이저 레인지파서, 카메라, 자이로스코프)의 분류 및 비교 분석을 통해 인식 및 위치 추정에서의 역할을 분석한다.
• 특징 기반, 직접식, 의미론적 SLAM을 포함한 SLAM 기법 평가를 통해 동적 환경 대응 및 루프 클로징에 중점을 둔다.
• 비전 기반 및 하이브리드 시스템에서의 장애물 회피, 경로 계획, 센서 융합에 응용된 딥 러닝 기법을 검토한다.
• Gazebo, Webots, AirSim 등의 시뮬레이션 플랫폼을 검토하고 주행 파이프라인 테스트에 적합한지 평가한다.
• SLAM 및 주행 연구를 위한 벤치마크 데이터셋(KITTI, EuRoC, TUM RGB-D)을 분석하여 물리적 하드웨어 없이도 실제 환경 평가가 가능하도록 한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기법은 자율 이동 로봇의 SLAM 및 장애물 회피의 견고성과 정확도를 어떻게 향상시켰는가?
• RQ2 현재의 SLAM 시스템은 동적 환경에서 어떤 핵심적 한계를 지니며, 의미론적 및 하이브리드(LiDAR+비전) 접근 방식은 이를 어떻게 완화할 수 있는가?
• RQ3 실제 환경 조건에서 자율 주행 시스템을 훈련 및 검증하기 위해 가장 효과적인 시뮬레이션 도구와 데이터셋은 무엇인가?
• RQ4 강화 학습 및 토폴로지 표현은 어떤 방식으로 최소한의 사전 지도 또는 센서 데이터로도 미지의 환경에서 장거리 주행을 가능하게 하는가?
• RQ5 제한된 계산 자원을 가진 경량 임베디드 플랫폼에 자율 주행 시스템을 구현할 때의 주요 열린 과제는 무엇인가?

주요 결과

• 딥 러닝은 시각 SLAM에서 특징 검출 및 루프 클로징 성능을 크게 향상시켰지만, 조도 및 기상 변화에 민감한 성능을 보인다.
• LiDAR와 딥 러닝을 융합한 하이브리드 SLAM 시스템은 비나 저조도와 같은 악조건에서도 견고성을 향상시킬 잠재력을 보이고 있다.
• 의미론적 SLAM은 정적 및 동적 물체를 구분함으로써 동적 환경에서의 처리 능력을 향상시키고 지ap 일관성을 개선한다.
• 강화 학습 기반 주행 시스템인 ViKiNG는 고밀도 기하 지도를 구축하지 않고도 GPS, 인공위성 지도 및 개략도만으로 킬로미터 수준의 주행을 달성할 수 있다.
• 주도 SLAM 및 불확실성 인식 탐색 전략은 지도 품질을 향상시키고, 특히 미지 또는 부분적으로 관찰 가능한 환경에서의 중복 탐색을 줄인다.
• 진전에도 불구하고, 임베디드 플랫폼에서 시각 SLAM을 실시간으로 실행하는 것은 계산 자원 제약으로 인해 여전히 도전 과제이며, 모델 압축 및 효율적 추론 기법이 필수적이다.