[논문 리뷰] Visual-Inertial Teach and Repeat for Aerial Inspection

Marius Fehr, Thomas Schneider외 3명|arXiv (Cornell University)|2018. 03. 26.

Robotics and Sensor-Based Localization인용 수 9

한 줄 요약

이 논문은 GPS가 사용 불가능한 환경에서 수동 기기나 MAV를 사용해 점검 경로를 가르치는 시각-자이로스코픽 Teach-and-Repeat 시스템을 제안한다. Google Tango 시각-자이로스코픽 맵핑 프레임워크를 활용하여 정밀한 국소화, 경로 계획, 충돌 회피 기반의 실시간 따라가기 또는 재생 기능을 지원한다. 이는 기존 장애물 위치를 사전에 알고 있는 바탕으로 한다.

ABSTRACT

Industrial facilities often require periodic visual inspections of key installations. Examining these points of interest is time consuming, potentially hazardous or require special equipment to reach. MAVs are ideal platforms to automate this expensive and tedious task. In this work we present a novel system that enables a human operator to teach a visual inspection task to an autonomous aerial vehicle by simply demonstrating the task using a handheld device. To enable robust operation in confined, GPS-denied environments, the system employs the Google Tango visual-inertial mapping framework as the only source of pose estimates. In a first step the operator records the desired inspection path and defines the inspection points. The mapping framework then computes a feature-based localization map, which is shared with the robot. After take-off, the robot estimates its pose based on this map and plans a smooth trajectory through the way points defined by the operator. Furthermore, the system is able to track the poses of other robots or the operator, localized in the same map, and follow them in real-time while keeping a safe distance.

연구 동기 및 목표

• 비전문가 사용자가 수동 태블릿 또는 수동으로 조종하는 MAV를 통해 복잡한 공중 점검 작업을 가르칠 수 있도록 한다.
• 시각-자이로스코픽 옹도메트리와 특징 기반 맵핑을 이용해 GPS가 사용 불가능한 산업 환경에서 강력하고 기반 시설이 없는 국소화를 제공한다.
• 자율 MAV가 가르친 점검 경로를 정밀하게 재생하고 실시간 따라가기 및 안전한 거리 유지를 가능하게 한다.
• 기타 에이전트의 자세 추적 기능을 제공하고 알려진 안전 영역을 기반으로 충돌 회피를 통해 다중 로봇 운영을 지원한다.
• 실제 산업 점검 시나리오에서 시스템의 실현 가능성과 강건성을 입증한다.

제안 방법

• 시스템은 Google Tango 시각-자이로스코픽 맵핑 프레임워크를 사용하여 기록된 옹도메트리 데이터에서 특징 기반 국소화 맵을 생성하며, 외관 기반 루프 클로징 및 VIWLS 최적화를 후처리로 적용한다.
• 교사와 에이전트(MAV)는 동일한 공유 맵을 사용해 공통의 글로벌 프레임에서 일관된 6-자유도 자세 추정을 수행한다.
• Teach-and-Repeat(T&R) 플래너는 교사의 경로와 점검 지점을 키프레임 형식으로 기록하며, 운동 정지 상태가 2초 이상 지속된 후 점검 지점을 감지한다.
• 지역 플래너는 다항식 경로 최적화를 통해 부드럽고 역학적으로 타당한 경로를 계산하여 시간 매개변수화된 경로를 생성한다.
• 모델 예측 제어기(MPC)는 최적화된 경로를 기반으로 추진력 및 자세 명령을 계산하여 실시간 MAV 제어를 수행한다.
• 충돌 회피 기능은 교사 및 다른 에이전트 주변의 안전 영역을 모니터링하여 수동적으로 구현되며, 겹침이 발생하면 비상 정지 조치를 취한다.

실험 결과

연구 질문

• RQ1 비전문가 사용자가 GPS가 사용 불가능한 환경에서 수동 태블릿만을 사용해 복잡한 공중 점검 작업을 가르칠 수 있는가?
• RQ2 MAV가 시각-자이로스코픽 센서만을 사용해 가르친 점검 경로를 얼마나 정확하고 강건하게 국소화하고 재생할 수 있는가?
• RQ3 제한된 산업 환경에서 실시간으로 운영자나 다른 로봇을 따라가며 안전한 거리를 유지할 수 있는가?
• RQ4 시스템 성능이 시각-자이로스코픽 맵의 품질과 특징 기반 국소화에 얼마나 의존하는가?
• RQ5 사용자 입력이 운동 정지 외에 추가로 필요 없이도 시스템이 점검 지점을 신뢰성 있게 감지하고 표시할 수 있는가?

주요 결과

• 시스템은 GPS가 사용 불가능한 산업 환경에서 Google Tango 태블릿을 사용해 인간 운영자가 공중 점검 작업을 성공적으로 가르치는 데 기여했다.
• MAV는 공유된 시각-자이로스코픽 맵 기반으로 정밀한 국소화를 바탕으로 가르친 경로를 정확하고 안전하게 따라가며 모든 점검 지점을 완료했다.
• 시스템은 운영자 실시간 따라가기 기능을 통해 동적 안전 거리 유지 기능을 구현했으며, 알려진 장애물 자세 추적을 통해 충돌을 방지했다.
• T&R 플래너는 운동 정지 상태가 2초 이상 지속된 후 점검 지점을 정확히 식별하여 자동으로 웨이포인트 마킹을 수행했다.
• 테스트 기간 동안 국소화, 경로 실행, 충돌 회피 기능에 실패 없이 실제 산업 환경에서 강건하게 작동했다.
• Google Tango 프레임워크의 사용으로 외부 비콘 또는 마커 없이 기반 시설이 없는 고정밀 국소화 및 맵핑이 가능했다.