[논문 리뷰] Overcoming the Challenges of Solar Rover Autonomy: Enabling Long-Duration Planetary Navigation

Olivier Lamarre, Jonathan Kelly|arXiv (Cornell University)|2018. 05. 14.

Robotic Path Planning Algorithms참고 문헌 20인용 수 14

한 줄 요약

이 논문은 태양전지로 구동되는 화성 탐사차의 장기적인 자율 주행을 가능하게 하기 위해 에너지 인지 및 환경 인지 계획을 이동성 프레임워크에 통합함으로써 도전 과제를 다룹니다. 에너지 가용성, 지형 이행 가능성 및 과학 목표를 균형 잡는 방식으로 일일 주행 거리를 최적화하는 하이브리드 주행 전략을 제안하며, 고도의 자율성과 지형 모델링을 통해 지속적인 일일 주행 거리 150미터 이상이 가능함을 입증합니다.

ABSTRACT

The successes of previous and current Mars rovers have encouraged space agencies worldwide to pursue additional planetary exploration missions with more ambitious navigation goals. For example, NASA's planned Mars Sample Return mission will be a multi-year undertaking that will require a solar-powered rover to drive over 150 metres per sol for approximately three months. This paper reviews the mobility planning framework used by current rovers and surveys the major challenges involved in continuous long-distance navigation on the Red Planet. It also discusses recent work related to environment-aware and energy-aware navigation, and provides a perspective on how such work may eventually allow a solar-powered rover to achieve autonomous long-distance navigation on Mars.

연구 동기 및 목표

• 나사의 화성 샘플 리턴 임무와 같은 장기 임무를 위한 태양전지로 구동되는 탐사차의 자율 주행에 대한 격차를 해소하기 위해.
• 현재 탐사차 임무에서 지속적인 장거리 주행을 제한하는 주요 운영 및 기술적 과제를 규명하기 위해.
• 최근의 에너지 인지 및 환경 인지 주행 기술의 발전이 에너지 및 지형 제약을 극복하는 데 어떻게 기여할 수 있는지 조사하기 위해.
• 화성에서 수개월에 걸쳐 자율적이고 에너지 효율적이며 지형에 적응 가능한 주행을 가능하게 하는 프레임워크를 제공하기 위해.
• 미래 임무 설계를 지원하기 위해 실시간 에너지 모델링과 지형 인식을 계획 주기에 통합하기 위해.

제안 방법

• 화성 탐사차(예: 큐리오시티)에서 사용하는 현재의 3단계 계획 프레임워크(전략적, 초전략적, 전술적)를 분석하여 운영 제약 조건을 이해하기 위해.
• 과거 화성 탐사차 임무(예: 큐리오시티, 스피릿, 올라포티티)의 데이터를 활용하여 에너지 모델링과 지형 이행 가능성 평가를 통합하기 위해.
• 지형 평가를 향상시키기 위해 SPOC(딥 러닝 기반 지형 분류) 및 열적 관성 기반 슬립 예측과 같은 기계 학습 기법을 적용하기 위해.
• 에너지 가용성, 지형 위험, 과학 목표를 균형 잡는 하이브리드 주행 전략을 제안하여 일일 주행 거리를 최대화하기 위해.
• 장기적인 이동 경로를 에너지 및 지형 제약 조건 하에서 시뮬레이션과 임무 데이터를 사용하여 모델링하고, 지속적인 150미터 이상의 일일 주행 성능을 최적화하기 위해.
• 하드웨어 인 더 루프 실험과 탐사차 테lemetric 데이터를 바탕으로 한 에너지 소비 및 지형 상호작용의 확률 모델을 활용하여 위험 인지 경로 계획을 통합하기 위해.

실험 결과

연구 질문

• RQ1 태양전지로 구동되는 탐사차는 인간 간섭 없이 수개월에 걸쳐 일일 주행 거리를 150미터 이상 유지할 수 있는가?
• RQ2 장기적인 자율 주행을 제한하는 주요 에너지 및 지형 관련 제약 조건은 무엇인가?
• RQ3 환경 인지 및 에너지 인지 주행 모델은 장기적인 탐사차 이동의 신뢰성과 효율성을 어떻게 향상시킬 수 있는가?
• RQ4 딥 러닝 기반 지형 분류 및 에너지 모델링은 행 星 탐사차의 자율적 의사결정에 얼마나 기여할 수 있는가?
• RQ5 에너지 제약 조건 하에서 수개월에 걸친 자율 주행을 지원하기 위해 전략적, 초전략적, 전술적 계획 주기의 통합은 어떻게 이루어져야 하는가?

주요 결과

• 큐리오시티와 같은 현재의 탐사차는 단 한 번의 일일 주행 거리가 130미터를 초과한 적이 네 차례 뿐이며, 이는 현재의 프레임워크로는 지속적인 고속 주행이 운영적으로 가능하지 않음을 시사한다.
• 화성 샘플 리턴 수거 탐사차는 약 3개월 내에 14킬로미터 이상을 주행할 것으로 예상되며, 이는 일일 평균 150미터 이상의 주행을 지속적으로 요구하며, 현재의 운영 능력을 초월한다.
• 에너지 인지 주행은 태양 에너지 가용성에 최적화하고 연약하거나 경사진 지형에서의 에너지 손실을 최소화함으로써 일일 주행 범위를 연장할 수 있다.
• 딥 러닝 기반 지형 분류(예: SPOC)는 지형 평가 정확도를 향상시켜 약한 토양에서의 바퀴 미끄러짐과 에너지 낭비의 위험을 감소시킨다.
• 실시간 에너지 모델링과 자가 감지 기반의 이행 가능성 평가를 통합하면 더 예측 가능하고 효율적인 경로 계획이 가능해지며, 이는 임무 생산성을 높인다.
• 시뮬레이션과 임무 데이터 분석 결과, 고도의 자율성과 함께 태양전지로 구동되는 탐사차는 에너지, 지형, 과학 목표를 균형 잡는 방식으로 지속적인 일일 주행 거리 150미터 이상을 달성할 수 있음을 입증한다.