[논문 리뷰] Deep Convolutional Neural Network-Based Autonomous Drone Navigation

K. Amer, Manthandi Peri Anna Samy외 2명|arXiv (Cornell University)|2019. 05. 05.

Robotics and Sensor-Based Localization인용 수 11

한 줄 요약

이 논문은 단일 렌즈 영상 입력에서 조향 명령을 생성하기 위해 딥 컨volution 신경망(CNN)과 회귀기의 조합을 사용하는 GPS 없이도 자율 드론 항법 시스템을 제안한다. 여러 보조 항법 경로를 활용한 데이터 증강 기법을 통해 시뮬레이션에서 1미터 이내의 정확도를 달성하였으며, 평균 측면 오차는 1.4미터 이하, 평균 웨이포인트 거리는 1미터 이하로 유지되어 GPS 장애 또는 위조 공격이 발생할 수 있는 환경에서도 신뢰성 있게 작동할 수 있다.

ABSTRACT

This paper presents a novel approach for aerial drone autonomous navigation along predetermined paths using only visual input form an onboard camera and without reliance on a Global Positioning System (GPS). It is based on using a deep Convolutional Neural Network (CNN) combined with a regressor to output the drone steering commands. Furthermore, multiple auxiliary navigation paths that form a navigation envelope are used for data augmentation to make the system adaptable to real-life deployment scenarios. The approach is suitable for automating drone navigation in applications that exhibit regular trips or visits to same locations such as environmental and desertification monitoring, parcel/aid delivery and drone-based wireless internet delivery. In this case, the proposed algorithm replaces human operators, enhances accuracy of GPS-based map navigation, alleviates problems related to GPS-spoofing and enables navigation in GPS-denied environments. Our system is tested in two scenarios using the Unreal Engine-based AirSim plugin for drone simulation with promising results of average cross track distance less than 1.4 meters and mean waypoints minimum distance of less than 1 meter.

연구 동기 및 목표

• 단순히 차량 내 카메라에서 얻은 시각 입력만을 사용하여 GPS 의존 없이 자율 드론 항법을 가능하게 하기.
• 다양한 보조 항법 경로를 통한 데이터 증강을 통해 실제 운영 환경에서의 내구성을 향상시키기.
• 환경 모니터링 및 배송과 같은 반복적인 비행 작업에서 인간 조종사를 대체하기.
• GPS 장애 또는 위조 공격이 발생하는 환경에서도 정확성과 내구성을 향상시키기.
• 구조적 또는 예측 가능한 경로를 따라 정기적인 비행 임무에 적합한 시스템 개발하기.

제안 방법

• 딥 컨volution 신경망(CNN)이 차량 내 카메라에서 입력하는 영상 데이터를 처리하여 항법에 필요한 공간적 특징을 추출한다.
• 회귀기 모듈이 CNN의 특징을 연속적인 조향 명령으로 변환한다.
• 여러 보조 항법 경로를 활용하여 항법 영역을 구성함으로써 데이터 다양성과 모델의 일반화 능력을 향상시킨다.
• 시스템은 Unreal Engine 기반의 AirSim 플러그인을 사용한 시뮬레이션 환경에서 훈련 및 검증된다.
• 훈련 데이터에는 주요 경로와 보조 경로를 따라 다양한 시각적 시퀀스가 포함되어 실제 환경의 변동성을 시뮬레이션한다.
• 모델은 항법 중 측면 오차와 웨이포인트 이격도를 최소화하도록 최적화된다.

실험 결과

연구 질문

• RQ1 CNN 기반 시스템이 시각 입력만으로 GPS 없이도 신뢰할 만한 자율 드론 항법을 달성할 수 있는가?
• RQ2 여러 보조 항법 경로를 통합함으로써 실제 운영 환경에서의 내구성과 일반화 능력은 어떻게 향상되는가?
• RQ3 시스템은 GPS 장애 또는 위조 공격 환경에서도 얼마나 정확하게 유지되는가?
• RQ4 시각 입력만으로 시뮬레이션 환경에서 어떤 정도의 항법 정밀도를 달성할 수 있는가?
• RQ5 이 방법은 반복적인 비행 임무에서 인간 조종사를 효과적으로 대체할 수 있는가?

주요 결과

• 시스템은 시뮬레이션에서 평균 측면 거리가 1.4미터 이하로 매우 높은 횡방향 정확도를 확보하였다.
• 웨이포인트까지의 평균 최소 거리는 1미터 이하로 유지되어 정확한 경로 추적 능력을 입증하였다.
• 보조 항법 경로의 활용은 모델이 실제 환경의 변동성에 더 잘 적응할 수 있도록 크게 향상시켰다.
• 이 방법은 GPS 장애 환경에서도 자율 항법을 성공적으로 구현하여 글로벌 위치 기반 시스템 의존도를 감소시켰다.
• 위조 공격에 대한 내구성과 정확도 면에서 전통적인 GPS 기반 항법보다 뛰어난 성능을 보였다.
• 결과적으로, 모니터링 및 배송과 같은 정기적인 비행 임무에 대해 시각 입력만으로도 자율 항법이 가능하다는 것이 확인되었다.