[논문 리뷰] Heterogeneous Robot Teams for Informative Sampling

Travis Manderson, Sandeep Manjanna외 1명|arXiv (Cornell University)|2019. 06. 17.

Robotic Path Planning Algorithms참고 문헌 17인용 수 5

한 줄 요약

이 논문은 화재 후 지역과 산호초와 같은 위험한 환경에서 적응형 정보 기반 샘플링을 위한 이종 드론(UAV)과 지상 자율주행차(UGV)를 활용한 협동 다중로봇 시스템을 제안한다. Gabor 기반 무늬 분류와 학습된 주행 가능성 점수맵을 기반으로 한 정책 그래디언트 경로 계획법을 적용하며, UGV의 피드백을 통해 지속적으로 지형 분류와 경로 효율성을 개선함으로써, 지상 및 해양 실험에서 균일 샘플링 대비 더 높은 정보 수확을 달성한다.

ABSTRACT

In this paper we present a cooperative multi-robot strategy to adaptively explore and sample environments that are unfavorable for humans. We propose a methodology for a team of heterogeneous robots to collaborate on information based planning for applications like sampling thermal imagery in a wildfire affected site to assist with detecting spot fires and areas of residual fires, fire mapping and monitoring fire progression or applications in marine domain for coral reef monitoring and survey. We use Gabor filter based texture classifier on aerial images from an Unmanned Aerial Vehicle (UAV) to segment the region of interest into classes. A policy gradient based path planner is used on the texture classified aerial image to plan a path for the Unmanned Ground Vehicle (UGV). The UGV then uses a local planner to reach the goals set by the global planner by avoiding obstacles. The UGV also learns the labels for the segmented classes as drivable and non-drivable using the feedback from the performance while reaching the planned waypoints. We evaluated the building blocks of our approach and present the results with application of these strategies to different domains.

연구 동기 및 목표

• 화재 후 지역이나 산호초와 같은 위험하고 비정형적인 환경에서 자율적이고 협동적인 샘플링을 가능하게 하기 위해.
• 항공 영상과 실시간 주행 가능성 피드백을 활용해 복잡한 지형에서 UGV의 효율적 경로 계획 문제를 해결하기 위해.
• UGV 주행 성능을 통해 지속적으로 개선되는 피드백 기반 활동 학습 프레임워크를 개발하여 지형 분류와 경로 계획을 향상시키기 위해.
• UAV-UGV/AUV 협업을 통해 지상 및 해양 영역에서 정보 기반 계획의 효과성을 입증하기 위해.

제안 방법

• UAV에서 확보한 항공 영상은 Gabor 필터 기반의 무늬 분류기로 세분화되어 지형 유형을 식별한다.
• 초기 가정 기반으로 각 지형 유형에 주행 가능성 점수를 할당하여 주행 가능성 점수맵을 생성하며, 이후 UGV 피드백을 통해 점수를 갱신한다.
• 정책 그래디언트 기반의 글로벌 경로 계획기가 점수맵을 활용해 시간 제약 조건 하에 정보 수확을 극대화하는 최적의 웨이포인트를 생성한다.
• UGV는 장애물을 피하면서 웨이포인트 간을 주행하기 위해 로컬 플래너를 활용하며, 실시간 주행 성능 데이터를 기반으로 주행 가능성 점수를 개선한다.
• 정책 그래디언트 목표에 KL 발산 정규화와 엔트로피 페널티를 적용하여 탐색과 이용의 균형을 확보한다.
• 장애물로 인해 진행이 방해될 경우 피드백 루프를 통해 반복적인 재계획이 가능하여 장기적인 경로 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 이종 로봇 팀은 어떻게 위험하고 비정형적인 환경에서 정보 기반 샘플링 경로를 협동적으로 계획할 수 있는가?
• RQ2 UGV 주행 성능 피드백은 동적 외부 환경에서 지형 분류 및 경로 계획 정확도를 어느 정도 향상시키는가?
• RQ3 정책 그래디언트 기반 계획기는 실생활 샘플링 작업에서 시간 및 에너지 제약 조건을 고려하면서도 정보 수확을 효과적으로 극대화할 수 있는가?
• RQ4 UGV 성능에서 유도된 학습된 주행 가능성 점수 통합은 정적 또는 균일 샘플링 전략 대비 글로벌 경로 계획을 어떻게 향상시키는가?

주요 결과

• 시간 제약 조건 하에서 균일 샘플링 대비 할인 보상이 높게 기록되어, 시간 제약 하에서 정보 수확이 뛰어나다는 것을 입증하였다.
• 해양 실험에서 AUV는 일관된 산호 커버리지 유지하였으며, 전방 영상의 33%가 산호를 포함하여 목표 지형으로의 효과적인 항로 이행을 나타냈다.
• UGV는 피드백 기반 주행 가능성 업데이트를 통해 복잡한 지형을 성공적으로 주행하였으며, 장애물 충돌 수를 감소시키고 경로 효율성을 향상시켰다.
• 현장 실험을 통해 정책 그래디언트 플래너가 지상 및 해양 환경에서 베이스라인 전략보다 뛰어난 성능을 보였다.
• 장거리 자율 주행에서 뛰어난 내구성을 입증하였으며, 해상 개방 구역에서 1km 이상의 충돌 없는 주행을 달성하면서도 목표 커버리지를 유지하였다.
• 실시간 UGV 피드백을 점수맵에 통합함으로써 동적이고 불확실한 환경에서 경로 품질을 크게 향상시키는 적응형 재계획이 가능해졌다.