[논문 리뷰] The Swarmathon: An Autonomous Swarm Robotics Competition

Sarah M. Ackerman, G. Matthew Fricke외 8명|arXiv (Cornell University)|2018. 05. 21.

Teaching and Learning Programming참고 문헌 20인용 수 12

한 줄 요약

스워모스톤은 항공우주국(NASA) 후원으로 少数가 중심이 되는 기관(MSI)의 대학생들이 화성에서 현장 자원 이용(ISRU)을 위한 자율적 군집로봇 알고리즘 개발에 참여하는 경쟁 대회이다. 실제 로봇 또는 시뮬레이션 환경을 사용하여 팀은 전역 지도 없이 자원을 탐색하고 수거하여 중심 영역으로 운반하도록 프로그래밍하며, 이 과정에서 학생들의 전공 역량 향상과 과학, 기술, 공학, 수학(STEM) 분야의 다양성 향상에 상당한 기여를 한다.

ABSTRACT

The Swarmathon is a swarm robotics programming challenge that engages college students from minority-serving institutions in NASA's Journey to Mars. Teams compete by programming a group of robots to search for, pick up, and drop off resources in a collection zone. The Swarmathon produces prototypes for robot swarms that would collect resources on the surface of Mars. Robots operate completely autonomously with no global map, and each team's algorithm must be sufficiently flexible to effectively find resources from a variety of unknown distributions. The Swarmathon includes Physical and Virtual Competitions. Physical competitors test their algorithms on robots they build at their schools; they then upload their code to run autonomously on identical robots during the three day competition in an outdoor arena at Kennedy Space Center. Virtual competitors complete an identical challenge in simulation. Participants mentor local teams to compete in a separate High School Division. In the first 2 years, over 1,100 students participated. 63% of students were from underrepresented ethnic and racial groups. Participants had significant gains in both interest and core robotic competencies that were equivalent across gender and racial groups, suggesting that the Swarmathon is effectively educating a diverse population of future roboticists.

연구 동기 및 목표

• 소수자 중심 기관(MSI)의 대학생들이 나사의 화성 탐사 미션과 연계된 실습 기반 로봇 연구에 참여하도록 유도한다.
• 큰 비용이 드는 탐사차 대신 분산형으로 내구성이 높은 로봇 군집을 사용하여 화성에서 자원을 자율적으로 수거하는 과제를 해결한다.
• 고등학교 학생부터 대학 팀까지를 연결하는 포괄적인 교육 플랫폼을 조성하여 STEM 융합 교육의 터널을 메우는 것을 목표로 한다.
• 경쟁이 학생들의 학습, 다양성, 컴퓨터 과학 및 로봇 분야의 동기 부여에 미치는 영향을 평가한다.

제안 방법

• 팀은 로봇 운영 체계(Robot Operating System, ROS)를 사용하여 실제 또는 시뮬레이션된 로봇 군집(3~6대)을 제어할 자율 알고리즘을 개발한다.
• 경쟁은 실물 트랙과 가상 트랙을 모두 포함한다: 실물 팀은 케네디 우주센터에서 동일한 로봇에 코드를 배포하고, 가상 팀은 동일한 환경을 Gazebo에서 시뮬레이션한다.
• 로봇는 전역 지도나 GPS 없이 국소 센서, 자세 추적(자이로스코프 및 EKF를 이용한 확장 칼만 필터) 및 분산형 협업을 통해 자원을 탐색하고 운반한다.
• 경쟁은 자원 분포가 다양해지는 여러 라운드로 구성되며, 자원 수거 영역으로 운반된 자원 수를 성공 기준으로 측정한다.
• 고등학교 부문은 대학생 멘터가 지도하며, 간단한 시뮬레이션을 통해 젊은 학생들이 군집로봇 기술을 접하도록 지원한다.
• 학생들의 학습 능력은 ABET 기준에 따라 컴퓨터 및 공학 프로그램을 평가하는 기준에 기반한 자기 평가 및 교수 평가를 통해 측정된다.

실험 결과

연구 질문

• RQ1 스워모스톤 참가가 학생들의 로봇공학 및 컴퓨터 과학 분야의 기술 역량 향상에 어느 정도 기여하는가?
• RQ2 스워모스톤은 특히 소수자 집단에 속하는 학생들의 과학, 기술, 공학, 수학(STEM) 분야에서의 고학위 또는 진로 진학에 대한 관심과 동기 부여에 어떤 영향을 미치는가?
• RQ3 성별 또는 인종/민족 배경에 따라 학습 성과의 격차가 발생하는가?
• RQ4 알 수 없는 환경 및 변동성이 큰 자원 분포 조건 하에서 자원 수거에 가장 효과적인 자율 군집 알고리즘은 무엇인가?
• RQ5 로봇의 공학적 개선(예: 자세 추적, 집게 장치 설계 등)이 알고리즘 혁신보다 성능 향상에 더 큰 기여를 하는가?

주요 결과

• 첫 두 해 동안 31개의 실물 팀 중 29개, 27개의 가상 팀 중 20개가 코드 업로드 및 경쟁에 성공하여 높은 기술 참여도를 보였다.
• 학생들은 핵심 역량 향상에 대해 상당한 자기 평가를 기록했으며, ABET 기준에서 +0.59의 향상을 기록했고, 2017년에는 2016년보다 유의미하게 높은 향상(유의수준 p < 0.05)을 보여 학습 진행성이 뚜렷했다.
• 인종, 민족, 성별에 따른 학습 성과 격차는 통계적으로 유의미하지 않아, 경쟁이 공정한 학습 환경을 제공하고 있음을 시사한다.
• 2017년 실물 경쟁 최우수상 수상 팀인 SIPI는 자전거 바퀴를 모티프로 한 탐색 전략을 개발하여 모든 자원 분포 조건에서 다른 팀을 압도했으며, 이는 알고리즘의 유연성을 입증했다.
• 공학적 개선(예: 향상된 자세 추적, 자원 수거/배치 성능 향상)이 새로운 탐색 알고리즘보다 점수 향상에 더 큰 기여를 하여 하드웨어-소프트웨어 통합의 중요성을 강조했다.
• 학생들의 동기 부여 향상도 뚜렷했다: 고학위 진학 관심은 +0.53, STEM 분야 진로 동기 부여는 +0.38 상승했으며, 이미 높은 동기를 가진 학생들 역시 동기 부여가 향상되었다.