[논문 리뷰] AES: Autonomous Excavator System for Real-World and Hazardous Environments

Jinxin Zhao, Pinxin Long외 6명|arXiv (Cornell University)|2020. 11. 10.

Industrial Automation and Control Systems참고 문헌 18인용 수 4

한 줄 요약

이 논문은 인명 위험 요소가 많은 실제 환경에서 장시간 지속 가능한 인간 수준의 굴착 작업을 가능하게 하기 위해 인식, 학습 기반 운동 계획, 최적화를 통합한 자율 굴착기 시스템 AES를 제시한다. 이 시스템은 인간 전문가의 생산성 수준을 유지하면서도 24 HPI(시간당 간섭 횟수)를 달성하여 인간 간섭 없이 24시간 연속으로 작동한다. 다양한 실외 및 실내 환경(광산, 건설, 폐기물 처리 등)에서 검증되었다.

ABSTRACT

Excavators are widely used for material-handling applications in unstructured environments, including mining and construction. The size of the global market of excavators is 44.12 Billion USD in 2018 and is predicted to grow to 63.14 Billion USD by 2026. Operating excavators in a real-world environment can be challenging due to extreme conditions and rock sliding, ground collapse, or exceeding dust. Multiple fatalities and injuries occur each year during excavations. An autonomous excavator that can substitute human operators in these hazardous environments would substantially lower the number of injuries and can improve the overall productivity.

연구 동기 및 목표

• 광산 및 건설 현장과 같은 실제의 위험 환경에서 안전하고 효율적으로 작동할 수 있는 자율 굴착기 시스템을 개발하는 것.
• 먼지, 극한의 온도, 불안정한 지형 등 극한 조건에서 인간 운전사의 위험을 줄이기 위해 수동 굴착 작업을 대체하는 것.
• 경험 많은 인간 운전사의 성능과 동등한 수준의 내구성 있는 장시간 자율성(24 HPI)을 달성하는 것.
• 동적 물질 더미, 오염 물질 및 장애물을 실시간으로 인식하고 변화하는 지형 및 물질 특성에 적응할 수 있도록 하는 것.

제안 방법

• RTK GNSS, 기울기 측정기, LiDAR, RGB-D 카메라를 조합한 하이브리드 인식 아키텍처를 사용하여 2.5D 고도 지도를 생성하고 물질의 질감 및 조성을 탐지한다.
• 실시간 환경 관측 자료를 기반으로 굴착 지점(POA)과 버킷 이동 거리를 예측하기 위해 딥 네트워크(MLP 기반)를 활용한다.
• 제안된 궤적에서 인간의 운동 패턴을 추출하기 위해 역강화학습(IRL)을 적용하여 최적의 운동 비용 함수를 나타내는 특징 가중치를 학습한다.
• 학습된 비용 함수를 스토하스틱 궤적 최적화(STOMP) 프레임워크에 통합하여 충돌이 없고 실행 가능한 관절 공간 궤적을 생성한다.
• 인식 모듈에서 확보한 장애물 및 오염 물질 탐지 데이터를 STOMP 비용 함수에 통합하여 딱딱하거나 위험한 물질에 굴착하는 것을 방지한다.
• CAN 버스를 통한 드라이브-바이-와이어 제어 방식을 사용하여 소형(6.5톤) 및 표준(49톤) 유압 굴착기 모두에 시스템을 구현하며, 산업용 마이크로컨트롤러를 활용해 저수준 액추에이터 제어를 수행한다.

실험 결과

연구 질문

• RQ1 자율 굴착기 시스템이 실제의 위험 환경에서 지속적이고 인간 수준의 성능을 달성할 수 있는가?
• RQ2 다양하고 불확실하며 비정형적인 굴착 상황을 다루기 위해 인식과 계획을 어떻게 밀접하게 통합할 수 있는가?
• RQ3 순수 최적화 기반 또는 규칙 기반 시스템에 비해 학습 기반 운동 계획이 얼마나 더 뛰어난 내구성과 효율성을 제공할 수 있는가?
• RQ4 통합된 아키텍처가 다양한 물질 유형과 환경 조건에서 소형 및 표준 굴착기 모두에 적용 가능한가?
• RQ5 실제 굴착 작업에서 통합된 인식, 계획, 제어 기반으로 달성할 수 있는 자율성 수준(HPI 기준)은 어느 정도인가?

주요 결과

• AES는 24 HPI를 달성하여 인간 간섭 없이 24시간 연속 작동함으로써 높은 시스템 신뢰성과 자율성의 가능성을 입증하였다.
• 시스템은 경험 많은 인간 운전사의 물자 처리 처리량과 동일한 성능을 보이며 실제 굴착 작업에서 인간 수준의 생산성을 확인하였다.
• 먼지 및 저조도와 같은 극한 조건에서도 물질 유형, 질감, 오염 물질(예: 화학 폐기물)을 성공적으로 탐지하였다.
• IRL과 STOMP를 활용한 학습 기반 운동 계획은 변화하는 더미 형태와 장애물 위치에 실시간으로 적응하는 견고한 궤적 생성을 가능하게 하였다.
• 시스템은 소형 및 표준 굴착기 모두에서 성공적으로 작동하여 다양한 굴착기 크기에 대한 확장성과 일반화 능력을 입증하였다.
• 인식, 계획, 제어를 하나의 아키텍처로 통합함으로써 복잡하고 비정형적인 환경에서 이전의 자율 굴착기 시스템보다 뛰어난 성능 향상을 이룩하였다.