[논문 리뷰] Team NCTU: Toward AI-Driving for Autonomous Surface Vehicles -- From Duckietown to RobotX

Yiwei Huang, Tzu-Kuan Chuang외 22명|arXiv (Cornell University)|2019. 10. 31.

Robotic Path Planning Algorithms참고 문헌 21인용 수 5

한 줄 요약

팀 NCTU는 자율 수면 차량(ASV)을 위한 모듈형 컨테이너 기반 AI 에이전트 프레임워크를 개발하여 ROS 및 MOOS 미들웨어, 시뮬레이션(Gazebo), 실물 배포(미니어처 및 전체 크기의 WAM-V 로봇) 간의 원활한 통합을 가능하게 하였다. 이 시스템은 고전적 방법과 학습 기반 방법(특히 장애물 회피를 위한 딥 강화 학습)을 모두 지원하며, 100회 장애물 회피 시험에서 90%의 성공률를 기록했고, AprilTag 기반 시각 시스템을 통해 정량적 국소화를 실현하였다.

ABSTRACT

Robotic software and hardware systems of autonomous surface vehicles have been developed in transportation, military, and ocean researches for decades. Previous efforts in RobotX Challenges 2014 and 2016 facilitates the developments for important tasks such as obstacle avoidance and docking. Team NCTU is motivated by the AI Driving Olympics (AI-DO) developed by the Duckietown community, and adopts the principles to RobotX challenge. With the containerization (Docker) and uniformed AI agent (with observations and actions), we could better 1) integrate solutions developed in different middlewares (ROS and MOOS), 2) develop essential functionalities of from simulation (Gazebo) to real robots (either miniaturized or full-sized WAM-V), and 3) compare different approaches either from classic model-based or learning-based. Finally, we setup an outdoor on-surface platform with localization services for evaluation. Some of the preliminary results will be presented for the Team NCTU participations of the RobotX competition in Hawaii in 2018.

연구 동기 및 목표

• 시뮬레이션, 실제 로봇, 다양한 미들웨어(Robot Operating System(Mobile) 및 MOOS) 간에 표준화되고 모듈형이며 재사용 가능한 자율 수면 차량(ASV) 개발 프레임워크의 부족을 해결하기 위해.
• 장애물 회피 및 물체 탐지와 같은 ASV 작업에서 고전적 모델 기반 접근법과 학습 기반 접근법(CNN, DRL 등) 간의 체계적 비교를 가능하게 하기 위해.
• 실제 환경과 시뮬레이션 간 격차를 줄이기 위해, AprilTag를 활용한 외부 환경에서의 정밀한 시각 기반 국소화 시스템을 개발하여 정량적 평가를 가능하게 하기 위해.
• Duckietown의 AI 드라이빙 올림피아드 원칙을 영감으로 삼아 재현 가능하고 컨테이너 기반의 플랫폼을 통해 AI 기반 ASV 연구를 지원하기 위해.

제안 방법

• ROS 및 MOOS 간 소프트웨어 스택 통합을 위해 도커 컨테이너 기반 기술을 활용하여, 시뮬레이션(Gazebo)에서 실물 로봇(미니어처 및 전체 크기의 WAM-V)으로의 일관된 배포를 가능하게 하였다.
• 고전적 알고리즘과 학습 기반 알고리즘 간의 비교를 용이하게 하기 위해 표준화된 관측값과 동작을 가진 통일된 AI 에이전트 인터페이스를 설계하였다.
• LiDAR 입력을 활용한 장애물 회피를 위한 딥 강화 학습(DRL)을 구현하였으며, 행동 공간은 ⟨go_straight, turn_left, turn_right⟩이며, 충돌 시 페널티를 주고 직진 운동을 장려하는 보상 함수를 사용하였다.
• 부유형 부표에 장착된 AprilTag를 활용한 외부 환경에서의 시각 기반 국소화 시스템을 구축하여 실시간으로 미터 이내 정밀도의 궤적 추정 및 속도 추적을 실현하였다.
• 특징 기반 및 딥 러닝 방법을 모두 활용한 플라카드 탐지 및 3D 물체 인식을 위한 인식 파이프라인을 통합하였다.
• 실제 환경에서의 성능 검증을 위해, 자체 제작한 발사 플랫폼과 윈치 시스템을 활용해 호수 환경에서 반복적인 테스트를 수행하였다.

실험 결과

연구 질문

• RQ1 어떻게 ROS 및 MOOS 미들웨어를 모두 지원하면서도 시뮬레이션과 실제 로봇 간에 통합된 소프트웨어 프레임워크를 설계할 수 있는가?
• RQ2 LiDAR와 같은 복잡한 센서 입력을 가진 ASV에서, 딥 강화 학습이 장애물 회피에 얼마나 성공적으로 적용될 수 있는가?
• RQ3 ASV 작업에서 시뮬레이션과 실제 성능 간의 핵심 격차는 무엇이며, 견고한 국소화 및 校정 기법을 통해 이를 어떻게 최소화할 수 있는가?
• RQ4 모듈형이고 컨테이너 기반의 AI 에이전트 프레임워크는 고전적 및 학습 기반의 인식 및 제어 방법 간의 공정하고 체계적인 비교를 가능하게 할 수 있는가?
• RQ5 저비용의 외부 환경에서 작동하는 시각 기반 국소화 시스템은 어떻게 ASV 자율성 평가를 위한 정량적 기준을 제공할 수 있는가?

주요 결과

• 컨테이너 기반 AI 에이전트 프레임워크는 ROS, MOOS, 시뮬레이션(Gazebo), 실물 WAM-V 플랫폼 간 알고리즘 배포 및 비교를 성공적으로 구현하였다.
• 장애물 회피 시험에서 DRL 에이전트는 100회 시험 중 90%의 성공률를 기록하여 복잡한 해양 환경에서의 엔드 투 엔드 학습의 가능성을 입증하였다.
• AprilTag 기반 시각 국소화 시스템은 미터 이내의 궤적 정밀도를 제공하였으며, 국소화 및 운동 제어 성능 평가를 정량적으로 가능하게 하였다.
• 시스템은 외부 호수 환경에서도 안정적으로 작동하였으며, 10회의 장애물 회피 시험 중 9회 성공하고 수중 조작을 통한 고리 수거를 자동으로 완료하였다.
• 고전적 이미지 처리와 PID 제어의 통합은 신뢰할 수 있는 수중 고리 탐지 및 집게 제어를 가능하게 하여 하이브리드 인식-제어 파이프라인의 견고함을 검증하였다.
• 모듈형이고 컨테이너 기반 아키텍처는 개발 및 배포 오버헤드를 크게 감소시켜 알고리즘의 빠른 반복 및 공동체 공유를 지원하였다.