[논문 리뷰] Mobility Map Computations for Autonomous Navigation using an RGBD Sensor

Nicolò Genesio, Tariq Abuhashim외 3명|arXiv (Cornell University)|2016. 10. 05.

Robotics and Sensor-Based Localization참고 문헌 13인용 수 4

한 줄 요약

이 논문은 iCub 인간형 로봇에 장착된 RGBD 센서를 이용한 실시간 이동성 지도 계산 파이프라인을 제안한다. 포인트 클라우드 처리, 표면 성질 추정(기울기, 거칠기), 그리고 가우시안 프로세스 회귀(Gaussian Process Regression)를 통한 학습된 이동성 비용 함수를 조합하여, 0(빨간색, 비이동 가능)에서 1(초록색, 완전히 이동 가능)까지의 점수를 부여하는 이동 가능한 영역을 분류한다. 이는 실내 환경에서 발자국 계획에 적합한 2Hz의 처리 속도를 달성한다.

ABSTRACT

In recent years, the numbers of life-size humanoids as well as their mobile capabilities have steadily grown. Stable walking motion and control for humanoid robots are active fields of research. In this scenario an open question is how to model and analyse the scene so that a motion planning algorithm can generate an appropriate walking pattern. This paper presents the current work towards scene modelling and understanding, using an RGBD sensor. The main objective is to provide the humanoid robot iCub with capabilities to navigate safely and interact with various parts of the environment. In this sense we address the problem of traversability analysis of the scene, focusing on classification of point clouds as a function of mobility, and hence walking safety.

연구 동기 및 목표

• 3차원 깊이 데이터를 분석하여 iCub 인간형 로봇이 실내 환경에서 자율 주행할 수 있도록 하는 것.
• 기하학적 및 질감적 성질(기울기, 거칠기, 크기 등)을 기반으로 표면을 이동 가능 또는 비이동 가능으로 분류하는 실시간 파이프라인을 개발하는 것.
• 보행 안전성을 나타내는 연속적인 점수(0–1)를 가진 이동성 지도를 생성하여 안전한 발자국 계획을 가능하게 하는 것.
• 데이터 감소 및 노이즈 제거를 통해 계산 비용을 줄이면서도 정확성을 유지하여 동적 주행에 적합하게 하는 것.
• 장애물이 있는 실내 시나리오에서 시스템을 검증하고, RGBD 센서 데이터와 이미지 투영을 통해 시각화 및 검증을 수행하는 것.

제안 방법

• 시스템은 30fps에서 640×480 해상도의 깊이 맵을 획득하기 위해 Asus Xtion Pro Live RGBD 센서를 사용하며, 프레임당 30만 개 이상의 포인트를 생성한다.
• 데이터 감소는 포인트 클라우드를 1cm×1cm×1cm 박자로 다운샘플링하고, 1.5–2미터를 초과하는 포인트를 제거하여 노이즈와 계산 부담을 줄인다.
• 센서 노이즈(적외선 간섭 및 삼각측량 오차)를 완화하기 위해 노이즈 제거를 적용한다.
• 감소된 포인트 클라우드에서 k-최근접 이웃(k-NN, k=10)을 사용하여 표면 법선을 추정한다.
• 하이브리드 RGB-N(색상 및 법선 기반) 세그먼테이션 방법을 사용하여 표면 영역을 분류하고, 가장 큰 평면 세그먼트 가정에 기반한 지면 제거를 수행한다.
• 세그먼트별로 기울기 및 거칠기 등의 표면 성질을 추정하고, 경험적으로 유도된 규칙를 기반으로 가우시안 프로세스 회귀(GPR)를 통해 이동성 비용 함수를 학습한다.

실험 결과

연구 질문

• RQ1 RGBD 센서 데이터로부터 실시간 이동성 지도를 계산하여 인간형 로봇의 이동 가능 영역과 비이동 가능 영역을 분류할 수 있는가?
• RQ2 기하학적 특징(기울기, 거칠기)과 색상 정보의 조합이 안전한 주행을 위한 표면 세그먼테이션 및 분류에 얼마나 효과적인가?
• RQ3 GPR 기반의 학습된 이동성 비용 함수가 히우리스틱 규칙에 비해 이동 가능성 추정 정확도를 향상시킬 수 있는가?
• RQ4 프레임 레이트 측면에서 파이프라인의 계산 성능은 어떠한가? 실시간 발자국 계획에 적합한가?
• RQ5 장애물이 많은 복잡한 실내 환경에서 시스템 성능은 어떠한가? 이미지 투영 및 3차원 시각화를 통해 검증 가능한가?

주요 결과

• 시스템은 2Hz의 처리 속도를 달성하며, 포인트 클라우드당 총 파이프라인 지연 시간이 486.049ms로, 실시간 발자국 계획에 적합하다.
• 이동성 지도 생성 파이프라인은 노이즈 제거(68.133ms), 데이터 감소(39.873ms), 법선 추정(144.766ms), 지면 제거(31.482ms), 표면 성질 추정(175.303ms)으로 구성된다.
• 가우시안 프로세스 회귀(GPR) 모델은 경험적으로 유도된 규칙에서 이동성 비용 함수를 성공적으로 학습하여 0에서 1까지의 부드럽고 연속적인 이동 가능성 점수를 제공한다.
• 이 방법은 장애물이 없는 환경과 장애물이 많은 실내 환경 모두에서 표면을 효과적으로 세그먼트 및 분류하며, 초록색(이동 가능)과 빨간색(비이동 가능) 영역을 보여주는 RGB 이미지 투영을 통해 결과를 시각화한다.
• 시스템은 정확한 지면 제거 및 세그먼테이션을 바탕으로 실내 환경에서 뛰어난 성능을 보이며, 3차원 포인트 클라우드 시각화 및 이미지 정렬 이동성 지도를 통해 검증된다.
• 파이프라인은 C++로 구현되었으며 GitHub에 공개되어 있어 재현성과 향후 개발을 가능하게 한다.