[논문 리뷰] EVA-Planner: Environmental Adaptive Quadrotor Planning

Lun Quan, Zhiwei Zhang외 3명|arXiv (Cornell University)|2020. 11. 09.

Robotic Path Planning Algorithms참고 문헌 17인용 수 4

한 줄 요약

이 논문은 환경 위험 수준과 장애물 밀도, 운동 경향성을 기반으로 비행 공격성을 동적으로 조정하는 환경 적응형 이착륙기반 다중층 모델 예측 컨투어링 제어(Multi-MPCC) 프레임워크를 사용하는 EVA-Planner를 제안한다. 환경 위험 평가와 실시간 운동 동역학을 통합함으로써, 복잡한 3D 환경에서 더 안전하고 부드럽고 빠른 경로를 생성하며, 시뮬레이션과 실제 테스트에서 이전의 적응형 플래너를 능가한다. 특히 도서관 및 실외 환경에서 100% 성공률 기록을 달성하였다.

ABSTRACT

The quadrotor is popularly used in challenging environments due to its superior agility and flexibility. In these scenarios, trajectory planning plays a vital role in generating safe motions to avoid obstacles while ensuring flight smoothness. Although many works on quadrotor planning have been proposed, a research gap exists in incorporating self-adaptation into a planning framework to enable a drone to automatically fly slower in denser environments and increase its speed in a safer area. In this paper, we propose an environmental adaptive planner to adjust the flight aggressiveness effectively based on the obstacle distribution and quadrotor state. Firstly, we design an environmental adaptive safety aware method to assign the priority of the surrounding obstacles according to the environmental risk level and instantaneous motion tendency. Then, we apply it into a multi-layered model predictive contouring control (Multi-MPCC) framework to generate adaptive, safe, and dynamical feasible local trajectories. Extensive simulations and real-world experiments verify the efficiency and robustness of our planning framework. Benchmark comparison also shows superior performances of our method with another advanced environmental adaptive planning algorithm. Moreover, we release our planning framework as open-source ros-packages.

연구 동기 및 목표

• 기존의 경로 계획기에서 동적이고 밀도가 높은 환경에서의 자율적 비행 공격성 조절의 부족을 해결하기 위해.
• 밀도가 높은 지역(예: 밀림)에서는 자동으로 속도를 줄이고, 개방된 공간에서는 속도를 높이는 계획기를 개발하기 위해.
• 경로의 부드러움, 운동학적 실현 가능성, 장애물 회피를 유지하면서도 실시간 성능을 확보하기 위해.
• 광범위한 시뮬레이션과 실제 실험을 통해 계획기의 강건성과 효율성을 검증하기 위해.
• 더 넓은 연구 활용을 위해 오픈소스 ROS 패키지로 프레임워크를 공개하기 위해.

제안 방법

• 환경 적응형 안전 인식 메커니즘을 도입하여, 유클리드 거리 변환(EDT)의 기울기와 퀴드로터의 순간 속도 벡터를 기반으로 장애물 우선순위를 할당한다.
• EDT 기울기와 운동 경향성을 사용해 환경 위험 수준을 계산함으로써, 주변 장애물의 실시간 위험 평가가 가능해진다.
• 위험 인식 장애물 우선순위화를 경로 생성에 통합하기 위해 다층 모델 예측 컨투어링 제어(Multi-MPCC) 프레임워크를 구현한다.
• 실시간으로 안전성, 공격성, 부드러움을 최적화하여 국소적으로 최적화된 부드럽고 운동학적으로 실현 가능한 경로를 생성한다.
• 비선형 최적화를 위해 NLopt를 사용하며, 각 MPC 계층당 계산 시간이 10ms 이내로 유지되어 실시간 운영이 가능하다.
• 시스템은 차량 내부에 통합되어 있으며, 복잡한 실내 및 실외 시나리오를 포함한 시뮬레이션 및 실제 환경에서 테스트되었다.

실험 결과

연구 질문

• RQ1 쿼드로터 계획기는 실시간 환경 위험 수준과 운동 상태에 기반해 비행 공격성을 어떻게 동적으로 조정할 수 있는가?
• RQ2 운동 경향성과 EDT 기울기를 통합함으로써 장애물 우선순위화와 경로 안전성에 어떤 영향을 미치는가?
• RQ3 통합된 다층 MPC 프레임워크는 다양한 환경 밀도에서 매끄럽고 안전하며 운동학적으로 실현 가능한 경로를 생성할 수 있는가?
• RQ4 SDDM과 같은 최첨단 적응형 플래너와 비교할 때, 제안된 EVA-Planner는 속도, 안전성, 적응 가능성 측면에서 어떻게 다른가?
• RQ5 제한된 센서 시야를 가진 복잡한 미지의 환경에서 계획기의 실제 성능은 어떠한가?

주요 결과

• 밀도 높은 덤불과 개방된 지역을 통과하는 10회의 반복 외부 비행에서 EVA-Planner는 100% 성공률 기록을 달성하여 실제 미지의 환경에서의 강건성을 입증하였다.
• narrow gate 테스트에서 EVA-Planner는 SDDM보다 더 합리적인 속도 프로파일을 보였으며, 더 부드러운 감속과 가속을 보여 불필요한 보수성 회피를 확인하였다.
• 벤치마크 결과, EVA-Planner는 다양한 장애물 밀도에서 SDDM 대비 평균 실행 시간을 7.5%에서 22.5%까지 단축하였으며, 밀도가 증가할수록 성능 격차가 커졌다.
• 각 MPC 계층당 최적화 시간이 10ms 이내로 유지되어 실시간 성능을 유지를 하였다.
• 갑작스럽게 나타나는 장애물이 있는 복잡한 실내 시나리오에서, 비적응형 버전이 3회 중 2회 실패한 반면 EVA-Planner는 안전한 회피를 성공적으로 수행하였다.
• 메서드는 개방된 영역에서는 최대 속도로 비행을 가능하게 하고, 고위험 지역에서는 적절히 감속함으로써 적응형 공격성의 성공을 확인하였다.