[논문 리뷰] Vision and Learning for Deliberative Monocular Cluttered Flight

Debadeepta Dey, Kumar Shaurya Shankar외 7명|arXiv (Cornell University)|2014. 11. 24.

Robotics and Sensor-Based Localization참고 문헌 17인용 수 9

한 줄 요약

이 논문은 학습된 단안 깊이 추정, 예산이 부여된 특징 선택, 그리고 불확실성을 다루기 위해 다수의 다양한 깊이 예측을 사용하여, 조밀한 장애물 환경에서 단안 UAV 비행을 위한 실시간 후퇴 예측 제어 시스템을 처음으로 제안한다. 이 시스템은 2km 이상의 조밀한 숲을 안전하고 목표 지향적으로 비행할 수 있게 하며, 낮은 밀도 지역에서 평균 137m의 자율 비행 거리와 96.6%의 나무 회피 정확도를 달성한다.

ABSTRACT

Cameras provide a rich source of information while being passive, cheap and lightweight for small and medium Unmanned Aerial Vehicles (UAVs). In this work we present the first implementation of receding horizon control, which is widely used in ground vehicles, with monocular vision as the only sensing mode for autonomous UAV flight in dense clutter. We make it feasible on UAVs via a number of contributions: novel coupling of perception and control via relevant and diverse, multiple interpretations of the scene around the robot, leveraging recent advances in machine learning to showcase anytime budgeted cost-sensitive feature selection, and fast non-linear regression for monocular depth prediction. We empirically demonstrate the efficacy of our novel pipeline via real world experiments of more than 2 kms through dense trees with a quadrotor built from off-the-shelf parts. Moreover our pipeline is designed to combine information from other modalities like stereo and lidar as well if available

연구 동기 및 목표

• 단안 시각을 유일한 수단으로 사용하여 소형 UAV가 조밀하고 자연적인 장애물 환경을 안전하고 목표 지향적으로 자율 비행할 수 있도록 하는 것.
• 순수하게 반응형 제어의 한계를 극복하기 위한 것, 예를 들어 dead-end에 갇히거나 목표 지향적 행동이 떨어지는 것.
• 단일 추정에 의존하는 대신, 여러 다양하고 서로 다른 깊이 예측을 통해 인식 불확실성을 계획에 통합하는 것.
• 실시간 배포에 적합한 계산 효율적인 파이프라인을 개발하는 것.
• 최소한의 인간 간섭으로 실제 외부 환경에서 조밀한 숲을 비행하는 실험을 통해 시스템을 검증하는 것.

제안 방법

• 고정된 수평선 길이(5m)를 가진 후퇴 예측 제어를 사용하여 다수의 동적 가능성이 있는 궤적을 평가한다.
• 계산 예산 내에서 광학 흐름 통계와 비용 민감도 기반 특징 선택을 활용한 학습된 단안 깊이 예측 모델을 사용한다.
• 단일 카메라에서 실시간 깊이 추정을 위한 빠른 비선형 회귀를 적용한다.
• 인식 불확실성을 표현하기 위해 다수의 서로 다른 깊이 예측을 생성하여 가짜 긍정 결과에 대한 강건성을 향상시킨다.
• 궤적 추적 중 실시간 상대 자세 추정을 위해 하향식 카메라와 소나를 사용한다.
• 깊이 정확도 향상을 위해 스테레오 또는 LiDAR 데이터를 선택적 모odalities로 통합한다.

실험 결과

연구 질문

• RQ1 조밀한 장애물 환경에서 단안 UAV에 대해 후퇴 예측 제어를 효과적으로 구현할 수 있는가?
• RQ2 실시간 성능을 희생시키지 않고 인식 불확실성을 효율적으로 모델링하고 궤적 계획에 통합할 수 있는가?
• RQ3 예산이 부여된 비용 민감도 특징 선택이 UAV의 단안 깊이 추정 속도와 정확도를 향상시킬 수 있는가?
• RQ4 단일 예측 대비 다수의 깊이 예측을 사용할 경우 비행 강건성이 뚜렷이 향상되는가?
• RQ5 순수하게 반응형 제어기와 결정적 계획기의 조합이 성능 향상에 의미 있는 기여를 할 수 있는가?

주요 결과

• 낮은 장애물 밀도 지역에서 시스템은 간섭 없이 평균 137미터의 자율 비행 거리를 달성했으며, 단일 예측 기반 베이스라인에 비해 뚜렷한 성능 향상을 보였다.
• 고밀도 지역에서 다수의 예측이 단일 예측 대비 추돌 위험을 감소시켰으며, 전체 나무 회피 정확도는 96.6%를 기록했다.
• 큰 나무의 93.1%와 작은 나무의 98.6%를 회피했으며, 실패 원인의 39%는 큰 나무, 33%는 얇은 가지와 낙엽에 기인했다.
• 단일 예측 깊이 맵에서 발생하는 가짜 긍정을 완화함으로써 고밀도 지역에서 실패율을 7.5%에서 3.4%로 감소시켰다.
• 하드웨어 인 더 루프 및 로버 기반 테스트를 통해 실비행 이전에 계획 및 제어 모듈의 강건성을 검증할 수 있었다.
• 단안 시각만을 사용하여 2km 이상의 조밀한 숲을 완전 자율 비행으로 통과하는 것이 가능함을 입증했다.