[논문 리뷰] DeepTerramechanics: Terrain Classification and Slip Estimation for Ground Robots via Deep Learning

R. Gonzalez, Karl Iagnemma|arXiv (Cornell University)|2018. 06. 12.

Soil Mechanics and Vehicle Dynamics참고 문헌 2인용 수 31

한 줄 요약

이 논문은 깊이 학습 프레임워크인 DeepTerramechanics를 제안하며, 컷팅 신경망(CNN)과 심층 신경망(DNN)을 사용하여 원시 센서 데이터에서 토양 유형을 직접 분류하고 휠 슬립을 추정한다. 이는 세 가지 실제 로봇 데이터셋에서 기존의 기계학습 방법(SVM 및 MLP)보다 뛰어난 성능을 보이며, 10~25 에포크 후 정확도가 안정화되고 CPU 전용 시스템에서 학습 시간이 3~6시간이 소요된다.

ABSTRACT

Terramechanics plays a critical role in the areas of ground vehicles and ground mobile robots since understanding and estimating the variables influencing the vehicle-terrain interaction may mean the success or the failure of an entire mission. This research applies state-of-the-art algorithms in deep learning to two key problems: estimating wheel slip and classifying the terrain being traversed by a ground robot. Three data sets collected by ground robotic platforms (MIT single-wheel testbed, MSL Curiosity rover, and tracked robot Fitorobot) are employed in order to compare the performance of traditional machine learning methods (i.e. Support Vector Machine (SVM) and Multi-layer Perceptron (MLP)) against Deep Neural Networks (DNNs) and Convolutional Neural Networks (CNNs). This work also shows the impact that certain tuning parameters and the network architecture (MLP, DNN and CNN) play on the performance of those methods. This paper also contributes a deep discussion with the lessons learned in the implementation of DNNs and CNNs and how these methods can be extended to solve other problems.

연구 동기 및 목표

• 지상 로봇에서의 지형-로봇 상호작용 문제를 해결하기 위해 실시간 지형 분류와 슬립 추정을 가능하게 한다.
• 깊이 학습 모델(CNN 및 DNN)이 기존 기계학습 방법(SVM 및 MLP)보다 지형 및 슬립 예측 과제에서 성능이 뛰어나다는지를 평가한다.
• 초기화수 및 네트워크 아키텍처가 지형역학 응용에서 모델 성능에 미치는 영향을 조사한다.
• 원시 센서 데이터에 대한 엔드 투 엔드 깊이 학습의 개념적 실현 가능성을 제공한다. 수작업 특징 추출을 생략한다.
• 표준 GPU가 없는 하드웨어에서 깊이 학습을 효과적으로 구현할 수 있는지 탐색한다.

제안 방법

• 연구는 MIT 단일 휠 테스트베드, MSL 토성 탐사선 커리오시티 로버, Fitorobot 트랙크드 플랫폼에서 수집한 세 가지 실제 데이터셋을 사용하여 모델를 학습하고 검증한다.
• 슬립 추정은 다중 분류 문제로 설정되며, 저, 중, 고 슬립으로 나뉘며, 입력 특징으로는 원시 IMU 및 모터 전류 신호를 포함한다.
• 지형 분류에서는 원시 회색조 영상 데이터를 입력으로 사용하며, 수작업 특징 추출 없이 직접 컨volutional 신경망에 의해 처리된다.
• 저자들은 다양한 모델(SVM, MLP, DNN, 두 가지 CNN 아키텍처: CNN1 및 CNN2)을 구현하고 비교하며, 모두 원시 센서 데이터에서 학습한다.
• 드롭아웃 비율, 최적화 알고리즘(adadelta가 SGD 및 MSE보다 성능이 뛰어남), 활성화 함수(은닉층에 ReLU, 출력층에 소프트맥스)와 같은 초기화수를 최적 성능을 위해 조정한다.
• 학습은 GPU 없이 표준 CPU에서 수행되며, 계산 비용을 관리하기 위해 모델 복잡도와 데이터셋 크기를 제한한다.

실험 결과

연구 질문

• RQ1 CNN 및 DNN과 같은 깊이 학습 모델이 원시 센서 데이터를 사용하여 지형 분류 및 휠 슬립 추정 과제에서 기존 기계학습 방법(SVM, MLP)보다 성능이 뛰어나다는가?
• RQ2 드롭아웃 비율, 최적화 알고리즘 선택, 활성화 함수와 같은 초기화수가 지형역학 과제에서 깊이 학습 모델 성능에 미치는 영향은 무엇인가?
• RQ3 딥 네트워크를 사용한 슬립 추정 및 지형 분류 과제에서 수렴하기 위한 최적의 학습 에포크 수는 얼마인가?
• RQ4 수작업 특징 추출 없이 원시 데이터(영상 및 센서 신호)를 사용할 경우 모델 정확도와 일반화 능력에 어떤 영향을 미치는가?
• RQ5 표준 GPU가 없는 하드웨어에서 깊이 학습을 효과적으로 구현할 수 있는 정도는 어느 정도인가?

주요 결과

• CNN 기반 모델은 슬립 추정의 경우 약 10 에포크, 지형 분류의 경우 약 25 에포크 후 안정된 성능을 보이며, 합리적인 학습 윈도우 내에서 수렴함을 시사한다.
• adadelta 최적화 알고리즘이 실험 설정에서 확률적 경사 하강법(SGD) 및 평균 제곱 오차(MSE) 손실 함수보다 더 뛰어난 성능을 보였다.
• 두 가지 CNN 아키텍처(CNN1 및 CNN2) 간에 유의미한 성능 차이가 관찰되지 않아, 간단한 네트워크도 주어진 과제에 충분할 수 있음을 시사한다.
• 회색조 영상으로 지형 분류를 수행할 경우 약 3시간, RGB 영상으로는 거의 6시간의 학습 시간이 소요되나, RGB 입력으로서의 성능 향상은 관찰되지 않았다.
• GPU가 없음에도 불구하고 깊이 학습 모델은 경쟁 가능한 결과를 달성하여 원시 데이터에서의 엔드 투 엔드 학습이 표준 하드웨어에서도 가능함을 입증한다.
• 연구는 깊이 신경망에 원시 데이터를 입력함으로써 수작업 특징 추출을 대체할 수 있으며, 네트워크가 센서 신호와 영상에서 관련 표현을 자동으로 학습함을 확인한다.