[논문 리뷰] Neural Network Model for Path-Planning of Robotic Rover Systems

Youssef Bassil|arXiv (Cornell University)|2012. 04. 01.

Robotic Path Planning Algorithms참고 문헌 16인용 수 11

한 줄 요약

이 논문은 복잡한 행 星 표면 지형을 이동하는 로봇 유인 탐사차의 자율 경로 계획을 위한 3층 구조의 전방향 인공 신경망(ANN)을 제안한다. 오프라인 역전파 학습을 통해 훈련된 모델은 시뮬레이션된 유인 탐사차가 장애물을 효과적으로 회피하고 목표지점으로 안전한 경로를 따라 이동할 수 있도록 하여, 장애물이 많은 환경에서 실시간 경로 계획의 효과성을 입증한다.

ABSTRACT

Today, robotics is an auspicious and fast-growing branch of technology that involves the manufacturing, design, and maintenance of robot machines that can operate in an autonomous fashion and can be used in a wide variety of applications including space exploration, weaponry, household, and transportation. More particularly, in space applications, a common type of robots has been of widespread use in the recent years. It is called planetary rover which is a robot vehicle that moves across the surface of a planet and conducts detailed geological studies pertaining to the properties of the landing cosmic environment. However, rovers are always impeded by obstacles along the traveling path which can destabilize the rover's body and prevent it from reaching its goal destination. This paper proposes an ANN model that allows rover systems to carry out autonomous path-planning to successfully navigate through challenging planetary terrains and follow their goal location while avoiding dangerous obstacles. The proposed ANN is a multilayer network made out of three layers: an input, a hidden, and an output layer. The network is trained in offline mode using back-propagation supervised learning algorithm. A software-simulated rover was experimented and it revealed that it was able to follow the safest trajectory despite existing obstacles. As future work, the proposed ANN is to be parallelized so as to speed-up the execution time of the training process.

연구 동기 및 목표

• 복잡하고 장애물이 많은 행 星 환경에서 운영되는 로봇 유인 탐사차를 위한 자율 경로 계획 솔루션을 개발하기 위해.
• 지형 장애물에도 불구하고 안정성을 유지하고 목표 지점에 도달하는 데 도전 과제를 해결하기 위해.
• 실시간 의사결정을 가능하게 하는 신경망 모델을 구현하여 안전한 항로 이행을 위해.
• 장애물 조건 하에서의 유인 탐사차 행동 소프트웨어 시뮬레이션을 통해 모델의 효과성을 검증하기 위해.

제안 방법

• 입력층, 은닉층, 출력층으로 구성된 다층 전방향 신경망을 설계한다.
• 신경망의 오프라인 훈련을 위해 역전파 지도 학습 알고리즘을 적용한다.
• 장애물이 포함된 시뮬레이션된 지형 데이터를 입력으로 사용하여 최적의 경로 방향을 예측하도록 신경망을 훈련시킨다.
• 센서 입력(예: 장애물 접근도)을 모터 제어 출력(예: 조향 및 속도 명령)으로 매핑한다.
• 지형 구성과 해당되는 안전한 경로 궤적을 포함한 데이터셋을 사용해 신경망을 훈련시킨다.
• 훈련된 신경망을 소프트웨어 기반 시뮬레이션된 유인 탐사차 환경에 구현하여 실시간 경로 계획 성능을 평가한다.

실험 결과

연구 질문

• RQ1 전방향 신경망이 시뮬레이션된 행 星 표면 지형에서 장애물을 효과적으로 회피하는 데에 학습할 수 있는가?
• RQ2 장애물 조건 하에서 ANN 모델이 경로 안정성과 목표지점 도달 능력에서 얼마나 우수한가?
• RQ3 시뮬레이션 중에 ANN의 안전하고 장애물 없는 경로 생성 성능은 어떠한가?
• RQ4 오프라인 역전파 훈련이 새로운 지형 구성에 대한 일반화 능력에 어떤 영향을 미치는가?
• RQ5 향후 작업에서 병렬 처리를 통해 실시간 실행을 지원할 수 있도록 모델을 확장할 수 있는가?

주요 결과

• 훈련된 ANN은 시뮬레이션된 유인 탐사차가 충돌 없이 장애물이 많은 환경을 통과하도록 성공적으로 지원했다.
• 유인 탐사차는 일관되게 안전한 경로를 따라 목표지점으로 이동하여 효과적인 장애물 회피 능력을 입증했다.
• 모든 시험 시뮬레이션 시나리오에서 모델은 안정적이고 신뢰할 수 있는 경로 계획 성능를 보였다.
• 오프라인 훈련 과정이 지형 입력과 최적의 항로 결정 간의 매핑을 효과적으로 학습했다.
• 시뮬레이션 결과는 행성 유인 탐사차 시스템에서 ANN을 자율 경로 계획에 활용할 수 있음을 확인했다.
• 향후 작업은 훈련 과정의 병렬 처리를 통해 실행 시간을 단축시키는 데 중점을 두며, 확장 가능성 잠재력을 시사한다.