[논문 리뷰] A Realtime Autonomous Robot Navigation Framework for Human like High-level Interaction and Task Planning in Global Dynamic Environment

Sung-Hyeon Joo, Sumaira Manzoor외 3명|arXiv (Cornell University)|2019. 05. 30.

Robotics and Sensor-Based Localization참고 문헌 15인용 수 7

한 줄 요약

이 논문은 알려지지 않은 전역적으로 동적인 환경에서 인간처럼 고수준의 상호작용과 작업 계획을 가능하게 하는 실시간 자율 로봇 주행 프레임워크를 제안한다. 클라우드 기반 데이터베이스, 3차원 시각적 의미 SLAM, 이중 기억 시스템(LTM/STM)을 통합함으로써, 모듈화된 아키텍처를 통해 자율 주행, 학습, 행동 계획 모듈을 결합한 실시간 주행을 지원하며, RGB-D 및 레이저 센서를 사용한 ROS/Gazebo 시뮬레이션을 통해 검증되었다.

ABSTRACT

In this paper, we present a framework for real-time autonomous robot navigation based on cloud and on-demand databases to address two major issues of human-like robot interaction and task planning in global dynamic environment, which is not known a priori. Our framework contributes to make human-like brain GPS mapping system for robot using spatial information and performs 3D visual semantic SLAM for independent robot navigation. We accomplish the feat by separating robot's memory system into Long-Term Memory (LTM) and Short-Term Memory (STM). We also form robot's behavior and knowledge system by linking these memories to Autonomous Navigation Module (ANM), Learning Module (LM), and Behavior Planner Module (BPM). The proposed framework is assessed through simulation using ROS-based Gazebo-simulated mobile robot, RGB-D camera (3D sensor) and a laser range finder (2D sensor) in 3D model of realistic indoor environment. Simulation corroborates the substantial practical merit of our proposed framework.

연구 동기 및 목표

• 전역적으로 동적인, 사전에 알려지지 않은 환경에서 실시간 자율 로봇 주행의 과제를 해결하기 위해.
• 인지 기반 기억 및 행동 아키텍처를 통해 인간처럼 고수준의 상호작용과 작업 계획을 가능하게 하기 위해.
• 실시간 인식과 함께 클라우드 및 즉시 사용 가능한 데이터베이스에서 공간 지식을 통합하여 견고한 주행을 가능하게 하기 위해.
• 장기 기억(LTM), 단기 기억(STM), 행동 계획을 결합한 모듈화된 프레임워크를 개발하여 적응형 로봇 행동을 가능하게 하기 위해.
• ROS와 Gazebo를 사용한 실재성 있는 실내 환경 시뮬레이션에서 프레임워크를 검증하기 위해.

제안 방법

• 프레임워크는 이중 기억 시스템을 활용한다: 장기 기억(LTM)은 지속적인 공간적 및 의미적 지식을 위한 것이고, 단기 기억(STM)은 실시간 맥락과 작업 특화 데이터를 위한 것이다.
• 3차원 시각적 의미 SLAM을 사용하여 RGB-D 카메라 데이터를 기반으로 환경의 의미 지ap을 구축하고 업데이트한다.
• 레이저 거리 측정기 데이터는 견고한 주행을 위한 2차원 장애물 탐지 및 위치 결정 지원을 제공한다.
• 자율 주행 모듈(ANM)은 LTM과 STM을 사용하여 실시간으로 경로를 계획한다.
• 학습 모듈(LM)은 새로운 관찰과 경험에 기반하여 LTM과 STM을 업데이트한다.
• 행동 계획 모듈(BPM)은 기억 시스템과 주행 목표를 연결하여 고수준의 작업 계획을 조율한다.

실험 결과

연구 질문

• RQ1 로봇은 전역적으로 동적인, 알려지지 않은 환경에서 어떻게 인간처럼 고수준의 작업 계획을 수행할 수 있는가?
• RQ2 이중 기억 아키텍처(LTM/STM)는 실시간 적응과 장기 학습을 가능하게 하기 위해 어떤 역할을 하는가?
• RQ3 클라우드 기반 및 즉시 사용 가능한 데이터베이스는 자율 주행을 위한 공간적 및 의미적 지식을 어떻게 향상시킬 수 있는가?
• RQ4 3차원 시각적 의미 SLAM은 동적인 실내 환경에서 주행의 견고성을 얼마나 향상시키는가?
• RQ5 ANM, LM, BPM 모듈의 통합은 동적인 조건에서 일관되고 인간처럼 행동하는 자율 주행을 어떻게 가능하게 하는가?

주요 결과

• 프레임워크는 ROS와 Gazebo를 사용한 시뮬레이션된 동적인 실내 환경에서 실시간 자율 주행을 성공적으로 구현하였다.
• 레이저 기반 위치 결정과 결합된 3차원 시각적 의미 SLAM은 환경 인식 및 장애물 회피 능력을 향상시켰다.
• 이중 기억 시스템(LTM/STM)은 주행 작업 중 지속적인 학습과 실시간 적응을 지원하였다.
• 시뮬레이션 결과는 복잡하고 변화하는 환경에서 제안된 프레임워크의 실용성과 견고성을 입증하였다.
• 모듈화된 아키텍처(ANM, LM, BPM)는 동적인 조건에서 확장 가능하고 인간처럼 행동하는 계획을 가능하게 하였다.
• 클라우드 및 즉시 사용 가능한 데이터베이스의 사용은 로봇이 실시간으로 공간적 및 의미적 지식을 접근하고 업데이트할 수 있는 능력을 향상시켰다.