[논문 리뷰] Path Generation for Wheeled Robots Autonomous Navigation on Vegetated Terrain

Zhuozhu Jian, Zejia Liu외 4명|arXiv (Cornell University)|2023. 06. 15.

Smart Agriculture and AI인용 수 6

한 줄 요약

이 논문은 다륜형 로봇이 식생에 둘러싸인 지형을 주행할 때 자가 감지(프로 prioception)와 외부 감지(예: LiDAR)를 융합하여 다변량 가우시안 프로세스 회귀(MV-GPR)를 통해 지지면을 추정함으로써 실시간 경로 계획 알고리즘인 PE-RRT*를 제안한다. 이 방법은 샘플링 단계에서 팽창 반경을 도입하여 안전성을 향상시키며, 실제 실험에서 PF-RRT*, Pro-RRT*, RRT*+PrevMap보다 더 빠르고 부드럽고 더 견고한 경로 생성 성능을 보였다.

ABSTRACT

Wheeled robot navigation has been widely used in urban environments, but little research has been conducted on its navigation in wild vegetation. External sensors (LiDAR, camera etc.) are often used to construct point cloud map of the surrounding environment, however, the supporting rigid ground used for travelling cannot be detected due to the occlusion of vegetation. This often causes unsafe or not smooth path during planning process. To address the drawback, we propose the PE-RRT* algorithm, which effectively combines a novel support plane estimation method and sampling algorithm to generate real-time feasible and safe path in vegetation environments. In order to accurately estimate the support plane, we combine external perception and proprioception, and use Multivariate Gaussian Processe Regression (MV-GPR) to estimate the terrain at the sampling nodes. We build a physical experimental platform and conduct experiments in different outdoor environments. Experimental results show that our method has high safety, robustness and generalization.

연구 동기 및 목표

• 고체 지면이 식생에 의해 가림당하고 표준 LiDAR 포인트 클라우드로 감지되지 않는 식생 지형에서 안전하지도 않고 부드럽지 않은 경로 계획 문제를 해결하기 위해.
• 사전에 이동 가능 지도를 생성하는 데 소요되는 시간을 줄이기 위해, 이동 가능 지도 생성 과정을 직접 생략하고 지지면 추정을 샘플링 과정에 통합함으로써.
• 추정된 지형 불확실성 기반으로 동적 팽창 반경을 RRT* 샘플링 알고리즘에 도입하여 경로 안전성을 향상시키기 위해.
• 자기 감지 피드백과 외부 센서 데이터(LiDAR)의 불확실성 가중 융합을 통해 지지면 추정의 정확성과 신뢰성을 향상시켜 경로 품질과 견고성을 개선하기 위해.

제안 방법

• 외부 LiDAR 포인트 클라우드와 자기 감지 데이터(예: 휠 오도메트리 또는 힘 피드백)를 융합하여 기초적인 고체 지지면을 추론하는 하이브리드 지형 추정 방법을 제안한다.
• 샘플링 노드에서 지형 높이와 경사를 다변량 가우시안 프로세스 회귀(MV-GPR)로 모델링하며, 추정 신뢰도 향상을 위해 불확실성 가중치를 통합한다.
• PE-RRT*는 PF-RRT*의 확장으로서, 지지면 추정을 RRT* 샘플링 단계에 직접 통합하여 명시적인 이동 가능 지도 생성 과정을 회피한다.
• RRT* 트리 확장 과정에서 안전성 팽창 반경을 도입하여, 추정된 지지면 주변의 버퍼 영역을 동적으로 증가시켜 장애물과의 충돌을 방지한다.
• 점진적 포인트 클라우드 매핑과 UWB 또는 시각 기반 시스템에서 확보한 이력 경로 데이터를 활용하여 시간에 따라 일관된 지지면 추정을 유지한다.
• 균일한 환경에 적합한 부드럽고 연속적인 지형 및 식생 층의 가정을 구현하기 위해 MV-GPR에 SE(제곱 지수) 커널을 사용한다.

실험 결과

연구 질문

• RQ1 표준 LiDAR 포인트 클라우드로 감지되지 않는 식생에 의해 고체 지면이 가려진 식생 지형에서 다륜형 로봇이 어떻게 안전하게 주행할 수 있는가?
• RQ2 자기 감지와 외부 감지의 융합이 복잡하고 불규칙한 식생 환경에서 지지면 추정의 정확성과 견고성을 향상시킬 수 있는가?
• RQ3 RRT* 샘플링 과정에 지지면 추정을 직접 통합함으로써 사전에 이동 가능 지도를 계산하는 것보다 계산 오버헤드를 줄일 수 있는가?
• RQ4 샘플링 단계에 동적 팽창 반경을 도입함으로써 실제 식생 환경에서 경로 안전성과 장애물 회피 능력이 어느 정도 향상되는가?
• RQ5 PF-RRT*, Pro-RRT*, RRT*+PrevMap과 같은 기존 경로 계획 기준과 비교했을 때, 제안된 PE-RRT* 방법은 성능, 안전성, 효율성 면에서 어떤가?

주요 결과

• PE-RRT*는 경로 길이 11.869미터를 생성하였으며, 이는 PF-RRT*(13.006m)보다 8.7% 짧아 경로 최적성 향상을 보였다.
• 최소 안전 거리(safety deg)는 0.853미터로, PF-RRT*(0.798m)를 초월하여 장애물 회피 능력 향상을 입증했다.
• 경로 생성에 소요된 계산 시간은 0.5초로, RRT*+PrevMap(1.3–2.5초)보다 훨씬 빠르며, 기준 RRT*+PrevMap 대비 총 시간 기준 63.27% 빠른 성능을 보였다.
• 로봇의 속도 편차는 0.0069m/s로, 모든 방법 중에서 가장 낮아 주행 중 운동 안정성과 부드러움이 뛰어났다.
• 실제 환경 실험에서 PE-RRT*는 농도 높은 식생과 불규칙한 지형을 충돌 없이 안전하게 통과했으며, Pro-RRT*는 포인트 클라우드 기반 장애물 감지 기능 부족으로 실패했다.
• 동영상 시연과 다양한 시나리오에서의 일관된 성능을 통해, 가든과 공원 등 다양한 외부 환경에서 뛰어난 일반화 능력을 보였다.