Skip to main content
QUICK REVIEW

[논문 리뷰] A review of path following control strategies for autonomous robotic vehicles: theory, simulations, and experiments

Nguyen Hung, Francisco Rego|arXiv (Cornell University)|2022. 04. 15.
Robotic Path Planning Algorithms인용 수 5
한 줄 요약

이 논문은 비선형 제어 이론을 활용하여 자율 주행 차량의 경로 추종 제어를 위한 통합 이론적 프레임워크를 제시한다. 기존 방법들을 차량의 본체 기준좌표계 또는 Frenet–Serret 및 Parallel Transport와 같은 경로 기반 기준좌표계에 따라 두 주요 유형으로 분류한다. 주요 기여는 철저한 안정성 증명을 포함한 종합적인 리뷰, MATLAB 및 ROS/Gazebo 기반의 오픈소스 시뮬레이션 도구상자, 그리고 자율 해양 차량에서의 실험적 검증으로, 실제 환경 조건에서 적절한 루프 분리와 제어기 튜닝을 통해 뛰어난 성능을 입증한다.

ABSTRACT

This article presents an in-depth review of the topic of path following for autonomous robotic vehicles, with a specific focus on vehicle motion in two dimensional space (2D). From a control system standpoint, path following can be formulated as the problem of stabilizing a path following error system that describes the dynamics of position and possibly orientation errors of a vehicle with respect to a path, with the errors defined in an appropriate reference frame. In spite of the large variety of path following methods described in the literature we show that, in principle, most of them can be categorized in two groups: stabilization of the path following error system expressed either in the vehicle's body frame or in a frame attached to a "reference point" moving along the path, such as a Frenet-Serret (F-S) frame or a Parallel Transport (P-T) frame. With this observation, we provide a unified formulation that is simple but general enough to cover many methods available in the literature. We then discuss the advantages and disadvantages of each method, comparing them from the design and implementation standpoint. We further show experimental results of the path following methods obtained from field trials testing with under-actuated and fully-actuated autonomous marine vehicles. In addition, we introduce open-source Matlab and Gazebo/ROS simulation toolboxes that are helpful in testing path following methods prior to their integration in the combined guidance, navigation, and control systems of autonomous vehicles.

연구 동기 및 목표

  • 자율 차량의 2차원 운동에서 기존 경로 추종 제어 전략의 대부분을 수반하는 통합 수학적 프레임워크를 제공하기 위해.
  • 본체 기준좌표계와 경로 기반 기준좌표계(예: Frenet–Serret 또는 Parallel Transport) 간의 오차 기준좌표계 선택에 따른 설계 및 구현의 상충 요소를 비교·대조하기 위해.
  • 기존 서베이에서 자주 생략되는, 검토된 방법에 대한 엄밀한 이론적 안정성 증명을 제공하기 위해.
  • 오픈소스 MATLAB 및 ROS/Gazebo 시뮬레이션 도구상자를 도입하여 이론과 실천 사이의 격차를 메우기 위해.
  • 비정규화된 자율 해양 차량과 완전 제어 가능 자율 해양 차량을 대상으로 현장 실험을 통해 제안된 방법을 검증하기 위해.

제안 방법

  • 논문은 경로 추종 오차 시스템의 안정화 문제로 경로 추종을 공식화하며, 오차는 차량의 본체 기준좌표계 또는 Frenet–Serret, Parallel Transport와 같은 경로 기반 기준좌표계에서 정의된다.
  • 오차 동역학을 공통 수학적 구조로 표현함으로써 많은 기존 방법을 일반화하는 통합 제어 프레임워크를 도입하여 체계적인 비교를 가능하게 한다.
  • 백스테핑, 피드백 선형화, 슬라이딩 모드 제어, 그리고 선형 및 비선형 모델 예측 제어(MPC)를 포함한 비선형 제어 기법을 사용한 이론적 분석을 수행한다.
  • 실제 차량 통합 이전에 경로 추종 알고리즘 테스트를 위해 설계된 고유의 MATLAB 및 ROS/Gazebo 기반 도구상자를 사용한 시뮬레이션을 통해 이러한 방법의 성능를 평가한다.
  • 실제 해양 환경에서 Medusa급 자율 해양 차량을 대상으로 현장 실험을 수행하여 실질적인 외란과 불확실성 하에서의 안정성과 수렴 성능를 평가한다.
  • 내부 루프 동적 제어기(속도, 헤딩 또는 헤딩 속도 제어)와 외부 루프 운동학적 경로 추종 제어기 사이의 시간 스케일 분리를 통해 안정적이고 정확한 경로 추종을 달성하는 데 중요함을 강조한다.

실험 결과

연구 질문

  • RQ1다양한 자율 차량의 경로 추종 제어 전략을 어떻게 체계적으로 분류하고 하나의 이론적 프레임워크로 통합할 수 있는가?
  • RQ2경로 기반 기준좌표계(예: Frenet–Serret 또는 Parallel Transport)를 사용할 때 본체 기준좌표계와 비교해 오차 정의에 있어 상대적인 장단점은 무엇인가?
  • RQ3백스테핑, 슬라이딩 모드, MPC와 같은 다양한 제어 기법이 경로 추종 응용 분야에서 안정성, 내성성 및 구현 복잡성 측면에서 어떻게 성능를 발휘하는가?
  • RQ4학습 기반 방법(예: 학습 기반-MPC 또는 강화 학습)은 경로 추종 성능을 얼마나 향상시키며, 안정성과 해석 가능성 측면에서 그 제한 사항은 무엇인가?
  • RQ5이론적 경로 추종 제어기에서 실세계 구현으로의 전환 과정에서 발생하는 실용적 과제는 무엇이며, 시뮬레이션 도구상자는 이를 어떻게 지원할 수 있는가?

주요 결과

  • 문헌에서 다수의 경로 추종 방법은 차량의 본체 기준좌표계에서의 오차 안정화 또는 Frenet–Serret 또는 Parallel Transport와 같은 경로 기반 기준좌표계에서의 오차 안정화라는 두 주요 유형으로 통합될 수 있다.
  • 이론적 분석은 시간 제약이 완화될 경우 경로 추종이 궤적 추적에 비해 더 부드러운 수렴과 감소된 액추에이터 활동을 보임을 확인한다.
  • Medusa급 자율 해양 차량을 대상으로 한 현장 시험은 실제 해양 환경에서 성공적인 경로 추종 성능를 입증하여 제안된 제어 전략의 유효성을 검증하였다.
  • 내부 루프 동적 제어기의 적절한 튜닝과 내부 및 외부 루프 간의 명확한 시간 스케일 분리는 실무에서 안정적이고 정확한 경로 추종을 달성하는 데 핵심적인 요소로 확인되었다.
  • MATLAB 및 ROS/Gazebo 기반의 오픈소스 시뮬레이션 도구상자는 성공적으로 개발 및 검증되었으며, 경로 추종 알고리즘의 효율적인 사전 배포 테스트를 가능하게 하였다.
  • 학습 기반 방법(예: 학습 기반-MPC 및 강화 학습)은 잠재력을 보이지만, 아직 공식적인 안정성 보장과 직관적인 설계 원칙이 부족하여 안전 중심 응용 분야에서의 실용적 구현에 제한이 있다.

더 나은 연구,지금 바로 시작하세요

논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.

카드 등록 없음 · 무료 플랜 제공

이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.