[논문 리뷰] Learning Monocular Reactive UAV Control in Cluttered Natural Environments

Stéphane Ross, Narek Melik-Barkhudarov외 5명|arXiv (Cornell University)|2012. 11. 07.

Robotics and Sensor-Based Localization인용 수 4

한 줄 요약

이 논문은 단일 저비용 카메라만을 사용하여 조밀한 숲 환경에서 최대 1.5 m/s의 고속으로 자율 비행이 가능한 마이크로 항공기(MAV)를 위한 단안 반응형 제어 시스템을 제안한다. 이 시스템은 인간 조종사의 시연 데이터를 기반으로 훈련된 새로운 이mitation learning 방법인 DAgger를 활용하여, 훈련 중에 경험하지 못한 장애물에 일반화되는 방향 제어 정책을 학습한다. 결과적으로 3.4 km 동안 680개 이상의 나무를 회피하면서 안전한 비행을 구현하였다.

ABSTRACT

Autonomous navigation for large Unmanned Aerial Vehicles (UAVs) is fairly straight-forward, as expensive sensors and monitoring devices can be employed. In contrast, obstacle avoidance remains a challenging task for Micro Aerial Vehicles (MAVs) which operate at low altitude in cluttered environments. Unlike large vehicles, MAVs can only carry very light sensors, such as cameras, making autonomous navigation through obstacles much more challenging. In this paper, we describe a system that navigates a small quadrotor helicopter autonomously at low altitude through natural forest environments. Using only a single cheap camera to perceive the environment, we are able to maintain a constant velocity of up to 1.5m/s. Given a small set of human pilot demonstrations, we use recent state-of-the-art imitation learning techniques to train a controller that can avoid trees by adapting the MAVs heading. We demonstrate the performance of our system in a more controlled environment indoors, and in real natural forest environments outdoors.

연구 동기 및 목표

• 최소한의 센서 적재량을 가진 복잡한 자연 환경에서 마이크로 항공기(MAV)의 자율적 고속 비행을 가능하게 하기 위해.
• 작은 MAV에 적합하지 않은 무거운 전력 소모가 심한 전통적 깊이 센서(예: 라이다, RGB-D)의 한계를 극복하기 위해.
• 훈련 중에 경험하지 못한 새로운 장애물 상황에서도 전문가 시연을 초월해 일반화되는 반응형 제어 정책을 개발하기 위해.
• 단일 단안 시각 입력만을 사용하여 실외 숲 환경에서의 실제 성능을 입증하기 위해.
• 3D 맵핑 또는 고수준 계획이 실패할 경우에도 기능할 수 있는 저수준 반응형 제어 계층을 제공하기 위해.

제안 방법

• 외부 분포 상태에서의 성능 향상을 위해 전문가 피드백을 반복적으로 통합하는 최신 이mitation learning 알고리즘인 DAgger를 사용하여 반응형 헤딩 제어 정책을 훈련하였다.
• 단안 카메라 이미지에서 시각적 특징을 추출하고, 이를 분류 정책 네트워크를 통해 제어 명령(헤딩 조정)으로 매핑하였다.
• 정책 초기화를 위해 인간 조종사의 시연 데이터를 전문가 시연으로 사용하였으며, 배포 중에 새로운 장애물 구성에 대응하기 위해 온라인 보정을 수행하였다.
• 운동 및 차량 상태 인식을 향상시켜 장애물 회피 결정을 개선하기 위해 광학 흐름과 드리프트 특징을 적용하였다.
• 훈련 및 평가를 실내 모션 캡처 환경과 실제 실외 숲 환경에서 모두 수행하여 시스템의 강건성과 일반화 능력을 검증하였다.
• 지연 시간이 최소한인 경량 실시간 추론 파이프라인을 사용하여 차량 내부 계산에 적합한 성능을 확보하였다.

실험 결과

연구 질문

• RQ1 이mitation learning를 통해 훈련된 단안 시각 시스템은 조밀한 자연 숲 환경에서 안전하고 고속의 MAV 비행을 가능하게 할 수 있는가?
• RQ2 이mitation learning 정책은 전문가 시연 중에 경험하지 못한 장애물 구성에 얼마나 잘 일반화되는가?
• RQ3 실외 실생활 조건에서 반응형 제어 정책의 장애물 회피 거리 및 실패율 측면에서의 성능은 어떠한가?
• RQ4 고속 비행에서 좁은 시야각과 센서 지연 등의 과제를 시스템은 어떻게 다루는가?
• RQ5 순수한 시각 기반, 저비용 시스템이 조밀한 숲 환경에서 라이다나 RGB-D와 같은 활성 센서를 사용하는 시스템보다 우수하거나 동등한 성능을 내는가?

주요 결과

• 시스템은 실외 숲 환경에서 3.4 km를 비행하며 680개 이상의 나무를 회피하면서 충돌 없이 안전하게 비행하였다.
• 모든 실패 유형을 고려할 때 평균 실패 간 비행 거리는 약 40미터에 이르렀다.
• 좁은 시야각과 잎자국으로 인한 실패를 제외한 경우, 평균 실패 간 거리는 120미터로 증가하여 구조적 장애물에 대한 뛰어난 성능을 보였다.
• 나무의 62%를 능동적으로 통과(의도적인 방향 전환 조치를 취함)하였으며, 이는 인간 조종사의 66%와 매우 유사한 수준이었고, 강력한 행동 이mitation 성능을 입증하였다.
• 더 높은 나무 밀도와 더 빠른 전진 속도에도 불구하고, 시스템의 성능은 흩어진 지역에서의 성능과 비교해 다소 낮을 뿐이었으며, 환경의 복잡성에 대한 강건성을 보였다.
• DAgger 기반 이mitation learning가 보정 피드백을 배포 중에 통합함으로써 새로운 장애물 상황에 효과적으로 일반화됨을 입증하였다.