[논문 리뷰] Autonomous Exploration Development Environment and the Planning Algorithms

Chao Cao, Hongbiao Zhu외 5명|arXiv (Cornell University)|2021. 10. 27.

Mobile Agent-Based Network Management인용 수 7

한 줄 요약

이 논문은 지상 차량의 3D LiDAR 기반 주행을 위한 통합된 TARE 및 FAR 계획기 기반의 오픈소스 자율 탐색 개발 환경(AED-E)을 제안한다. 이 시스템은 고수준 계획 수립, 지형 이동 가능성 분석, 웨이포인트 추종을 가능하게 하여 DARPA 서브터레인어런스 챌린지에서와 같이 복잡한 환경에서도 완전 자율 주행을 달성한다. CMU-OSU 팀은 28개 섹터 중 26개를 탐색하였다.

ABSTRACT

Autonomous Exploration Development Environment is an open-source repository released to facilitate the development of high-level planning algorithms and integration of complete autonomous navigation systems. The repository contains representative simulation environment models, fundamental navigation modules, e.g., local planner, terrain traversability analysis, waypoint following, and visualization tools. Together with two of our high-level planner releases -- TARE planner for exploration and FAR planner for route planning, we detail usage of the three open-source repositories and share experiences in the integration of autonomous navigation systems. We use DARPA Subterranean Challenge as a use case where the repositories together form the main navigation system of the CMU-OSU Team. In the end, we discuss a few potential use cases in extended applications.

연구 동기 및 목표

• 자율 주행 시스템에서 고수준 계획 알고리즘을 개발하고 구현하기 위한 재사용 가능하고 오픈소스 소프트웨어 스택을 제공하기 위해.
• 사진적 사실성의 시뮬레이션 환경과 실제 센서와 호환되는 모듈을 제공하여 시뮬레이션과 실제 환경 간 격차를 메우기 위해.
• 확장 가능하고 모듈화되며 구현 가능한 주행 구성 요소를 통해 시각 기반 및 의미론적 주행 분야의 고도화된 연구를 지원하기 위해.
• 계획기와 행동 실행기, 공유 상태 관리 기능을 통합하여 다중 로봇 간 협업 및 혼합 주도 주행을 가능하게 하기 위해.
• 지상 진짜 의미 분할 데이터와 같은 비현실적인 시뮬레이션 전용 데이터에 의존하지 않도록 하여 실제 환경 구현을 촉진하기 위해.

제안 방법

• AED-E 레포지터리는 시뮬레이션 환경 모델, 로컬 계획기, 지형 이동 가능성 분석, 웨이포인트 추종 모듈을 포함한 중간 계층 주행 스택을 제공한다.
• TARE 계획기는 3D LiDAR 데이터와 기하학적 경로 계획을 활용하여 미지 환경에 최적화된 자율 탐색을 가능하게 한다.
• FAR 계획기는 다중 로봇 탐색 데이터에서 생성된 희소 로드맵을 사용하여 장거리 경로 계획을 지원하며, 먼 거리 간의 효율적 이동을 가능하게 한다.
• 표준화된 인터페이스를 통해 상태 추정 및 운동 제어 계층과 통합되어 지상 차량에서의 실제 환경 구현을 가능하게 한다.
• 의미론적 진짜 값을 갖춘 Matterport3D 기반 주택 모델이 제공되어 실제 실내 환경을 의미론적 진짜 값과 함께 시뮬레이션할 수 있다.
• 행동 실행기를 통해 TARE(탐색용)와 FAR(이동용)의 다중 계획기 동시 실행을 지원하며, 동적 작업 전환을 가능하게 한다.

Figure 1: Our repositories form the mid-layer and top layer in a three-tier navigation system. Users can integrate the repositories in real systems using the interface to bottom layer, i.e., state estimation and motion control, or run the repositories in simulation using the environment models.

실험 결과

연구 질문

• RQ1 지상 차량을 위한 시뮬레이션과 실제 환경 구현을 모두 지원할 수 있는 모듈식 오픈소스 주행 스택은 어떻게 설계할 수 있는가?
• RQ2 비정형 환경에서 견고한 자율 주행을 가능하게 하기 위해 지형 이동 가능성 분석은 어떤 역할을 하는가?
• RQ3 TARE 및 FAR와 같은 고수준 계획기를 어떻게 통합하여 복잡한 다중 지형 환경에서 탐색과 장거리 이동을 동시에 가능하게 할 수 있는가?
• RQ4 의미론적 진짜 값을 갖춘 사진적 사실성의 시뮬레이션 환경은 시각 기반 주행 정책 학습에 얼마나 효과적으로 기여할 수 있는가?
• RQ5 공유 탐색 지도와 협업 계획을 활용하여 자율 주행 시스템에서 다중 로봇 간 협업은 어떻게 달성할 수 있는가?

주요 결과

• CMU-OSU 팀은 DARPA 서브터레인어런스 챌린지에서 '가장 많은 섹터 탐색 상'을 수상하였으며, 턨널, 도시, 동굴 환경에서 28개 섹터 중 26개를 자율적으로 탐색하였다.
• Satsop 원자력 발전소의 도시 코스에서 단일 차량은 TARE 계획기만을 사용하여 1458초 동안 총 886미터를 주행하며 완전한 탐색을 수행하였다.
• 루이스빌 메가 동굴 최종 경기에서는 세 대의 차량이 총 1,541.6미터(각각 596.6m, 499.8m, 445.2m)를 2259초 동안 주행하였으며, TARE 및 FAR 계획기를 순차적으로 사용하였다.
• 시스템은 동적 작업 전환을 성공적으로 구현하였다: 차량은 장거리 이동(예: A에서 B 또는 시작 지점에서 C로)에는 FAR 계획기를, 새로운 영역 탐색에는 TARE 계획기를 사용하였다.
• Matterport3D 모델과 의미론적 진짜 값을 통합함으로써, 자기지도 학습 감독 하에 시각 기반 주행 정책 학습을 위한 정확한 시뮬레이션 환경을 제공하였다.
• 시스템의 모듈식 설계 덕분에 실제 차량에 원활하게 구현되었으며, 공유 탐색 상태 및 로드맵 융합을 통한 다중 로봇 간 협업에서도 효과적으로 활용되었다.

(a) Campus