[논문 리뷰] STEP: Stochastic Traversability Evaluation and Planning for Risk-Aware Off-road Navigation

David D. Fan, Kyohei Otsu외 4명|arXiv (Cornell University)|2021. 03. 04.

Robotic Path Planning Algorithms참고 문헌 34인용 수 11

한 줄 요약

이 논문은 미지의 비정형 환경에서 자율 주행을 위한 위험 인식 운동 계획 프레임워크인 STEP을 제안한다. 2.5차원 지ap을 사용한 불확실성 인식 가능 주행성 평가와 조건부가치위험도(CVaR)를 결합하여 불확실성 하에서의 안전성을 우선시하며, SQP 기반 모델 예측 제어(MPC)를 통해 실시간으로 운동학적 타당성 있는 궤적 계획을 가능하게 한다. 이 방법은 도로 밖에서의 고속 주행을 가능하게 하며, 바퀴형 및 다리형 로봇이 폐쇄된 지하철과 용암 동굴과 같은 극한 환경에서 안정적으로 주행할 수 있도록 한다.

ABSTRACT

Although ground robotic autonomy has gained widespread usage in structured and controlled environments, autonomy in unknown and off-road terrain remains a difficult problem. Extreme, off-road, and unstructured environments such as undeveloped wilderness, caves, and rubble pose unique and challenging problems for autonomous navigation. To tackle these problems we propose an approach for assessing traversability and planning a safe, feasible, and fast trajectory in real-time. Our approach, which we name STEP (Stochastic Traversability Evaluation and Planning), relies on: 1) rapid uncertainty-aware mapping and traversability evaluation, 2) tail risk assessment using the Conditional Value-at-Risk (CVaR), and 3) efficient risk and constraint-aware kinodynamic motion planning using sequential quadratic programming-based (SQP) model predictive control (MPC). We analyze our method in simulation and validate its efficacy on wheeled and legged robotic platforms exploring extreme terrains including an abandoned subway and an underground lava tube.

연구 동기 및 목표

• 붕괴된 지역, 동굴, 지하터널과 같은 미지의 비정형이고 위험한 외부 환경에서의 안전하고 고속의 자율 주행 문제를 해결하기 위해.
• 불확실성과 꼬리 위험을 고려하지 못하는 결정론적 주행성 평가 방법은 안정성이나 안전성에 결함이 있으며, 이로 인해 불안정하거나 위험한 궤적을 유도함을 인지하기 위해.
• 센서 노이즈, 정위치 오차, 환경의 가림 현상 등에 동적으로 대응할 수 있는 실시간 위험 인식 운동 계획 시스템을 개발하기 위해.
• 비볼록 제약 조건과 불확실한 지형 평가 하에서 강건하고 운동학적으로 타당한 궤적 계획을 가능하게 하기 위해.
• 다양한 로봇 플랫폼—바퀴형 및 다리형—에서 실제 극한 환경에서 시스템의 유효성을 검증하기 위해.

제안 방법

• 정위치 오차, 센서 노이즈, 가림 영향을 모델링하면서 라이다와 자이로스코프 데이터를 융합하여 불확실성 인식 2.5차원 주행성 지도를 구축한다.
• 경사도, 흐트러짐 정도, 장애물과의 거리, 알 수 없는 영역를 조합한 복합 지표를 사용하여 주행성 비용을 정량화하며, 각 요소는 위험 기여도에 따라 가중치를 부여한다.
• 꼬리 위험을 평가하기 위해 조건부가치위험도(CVaR)를 적용하여 설정 가능한 신뢰수준 α 이외의 최악의 결과에 대한 기대 비용을 최소화한다.
• 비볼록 제약 조건이 있는 실시간 최적 제어 문제를 해결하기 위해 순차적 순환제곱법(SQP) 기반 모델 예측 제어(MPC) 프레임워크를 구현한다.
• 수축하는 수평 방식을 사용하며 고주기 동안 재계획을 통해 새로운 센서 데이터와 환경 변화에 즉각적으로 대응할 수 있도록 한다.
• 실시간 계산을 지원하는 차량 내 통합을 통해 단일 코어(i7)에서의 낮은 CPU 사용량과 1초 이내의 계획 주기를 달성한다.

실험 결과

연구 질문

• RQ1 미지의 외부 환경에서 센서 노이즈, 정위치 오차, 가림 현상을 고려하여 주행성을 어떻게 평가할 수 있는가?
• RQ2 고불확실성 지형에서 평균 비용 최소화 대비 CVaR 기반 위험 평가가 궤적 안전성에 얼마나 향상시킬 수 있는가?
• RQ3 위험 인식 기반 운동학적 타당성 있는 MPC 프레임워크는 바퀴형 및 다리형 로봇이 극한 환경에서 실시간으로 고속 주행을 가능하게 할 수 있는가?
• RQ4 불확실성 인식 주행성 지도는 동적이고 혼잡하며 부분적으로 관측 가능한 지형에서 운동 계획의 강건성과 안정성에 어떻게 영향을 미치는가?
• RQ5 실제 외부 환경에서 위험 수용 수준(α)과 주행 효율성 사이의 성능 트레이드오프는 어떠한가?

주요 결과

• 시스템은 클리어패스 허스키 로봇이 산업적 혼잡이 있는 200m × 100m 규모의 폐쇄된 지하철 환경을 자율 탐색하여 24분 만에 전체 영역을 커버하는 데 성공했다.
• 동일한 환경에서 위험 지도는 α에 따라 동적으로 조정되었으며, 높은 α 값(예: 0.9)은 좁은 통로와 알 수 없는 영역에 대해 비용을 증가시켜 더 안전하고 보수적인 경로를 유도했다.
• 보스턴 딜라틱스 스포트 4족 보행 로봇은 벨리언트 케이브에서 420미터를 24분 동안 이동하며, 1,205㎡의 거친, 불규칙하고 가려진 지형을 완전히 탐색했다.
• CVaR 기반 플래너는 결정론적 방법 대비 진동과 불안정성을 줄였으며, 센서 노이즈와 정위치 오차로 인한 빈번한 재계획이 발생하지 않았다.
• Intel i7에서 단일 코어 사용으로 CPU 사용량을 제한하면서도 실시간 성능을 달성하여, 동적 환경에 적합한 빈도로 재계획이 가능했다.
• 위험 지도는 급경사, 큰 바위, 거친 지면과 같은 위험 요소를 효과적으로 포착하였으며, 흰색(안전), 노랑/빨강(중간), 검은색(위험) 영역가 위험 수준을 명확히 나타내었다.