[논문 리뷰] The Artificial Intelligence behind the winning entry to the 2019 AI Robotic Racing Competition
이 논문은 2019년 AI 로봇 레이싱(AIRR) 대회에서 우승한 AI 시스템을 제시하며, 인간의 전략을 모방한 접근 방식을 통해 실시간 게이트 탐지(딥 세그멘테이션 네트워크인 GateNet를 통한), 활성 시각을 통한 최적의 카메라 제어, 강건한 상태 추정, 위험 인식 제어를 조합하여 9.2 m/s의 속도로 자율 드론 레이싱을 구현하였다. 이 시스템은 이전의 모든 자율 레이싱 시스템을 능가했으며, 엄격한 SWaP 제약 조건 하에서 인간 조종사와의 성능 격차를 줄이는 데 중요한 단계를 마련하였다.
Robotics is the next frontier in the progress of Artificial Intelligence (AI), as the real world in which robots operate represents an enormous, complex, continuous state space with inherent real-time requirements. One extreme challenge in robotics is currently formed by autonomous drone racing. Human drone racers can fly through complex tracks at speeds of up to 190 km/h. Achieving similar speeds with autonomous drones signifies tackling fundamental problems in AI under extreme restrictions in terms of resources. In this article, we present the winning solution of the first AI Robotic Racing (AIRR) Circuit, a competition consisting of four races in which all participating teams used the same drone, to which they had limited access. The core of our approach is inspired by how human pilots combine noisy observations of the race gates with their mental model of the drone's dynamics to achieve fast control. Our approach has a large focus on gate detection with an efficient deep neural segmentation network and active vision. Further, we make contributions to robust state estimation and risk-based control. This allowed us to reach speeds of ~9.2m/s in the last race, unrivaled by previous autonomous drone race competitions. Although our solution was the fastest and most robust, it still lost against one of the best human pilots, Gab707. The presented approach indicates a promising direction to close the gap with human drone pilots, forming an important step in bringing AI to the real world.
연구 동기 및 목표
- 엄격한 크기, 무게, 전력(SWaP) 제약 조건 하에서 실시간으로 작동하는 온보드 AI 시스템을 개발하여 고속 자율 드론 레이싱을 가능하게 한다.
- 엔드 투 엔드 시뮬레이션에 의존도를 최소화하고 인간이 설계한 제어 및 인식 모듈을 통합하여 시뮬레이션과 실제 세계의 성능 격차를 줄인다.
- 최소한의 실제 세계 데이터와 제한된 하드웨어 접근성으로도 복잡한 레이싱 코스를 고속으로 안정적으로 주행할 수 있도록 강건한 고속 주행 기술을 확보한다.
- 동적 위험 평가 및 활성 시각 주의와 같은 인간 조종사 전략을 모방함으로써 우수한 인간 조종사와의 성능 격차를 좁힌다.
- 딥 러닝과 전통적 제어 및 추정 기법을 융합한 하이브리드 AI 시스템이 실제 로봇 공학 분야에서 순수 학습 또는 시뮬레이션 기반 접근 방식을 능가할 수 있음을 입증한다.
제안 방법
- 단일 카메라 입력에서 레이스 게이트를 실시간으로 의미 세그멘테이션하기 위해 딥 컨volution 네트워크(GateNet)를 사용하였으며, 2,336장의 인간 레이블링 이미지로 학습하였다.
- 세그멘테이션된 이미지에서 코 검출을 활용해 드론의 카메라 방향을 동적으로 조정함으로써 게이트 가시성과 세그멘테이션 신뢰도를 극대화하는 활성 시각 전략을 구현하였다.
- 온보드 자이로스코프 및 가속도계(IMU) 데이터와 학습된 동역학 모델을 조합한 모델 기반 상태 추정 시스템을 사용하였으며, 다중 센서 추정치의 알파 융합을 통해 성능을 향상시켰다.
- 게이트 탐지 및 궤적 추적에 대한 예측 불확실성에 기반해 비행 속도를 조절하는 위험 인식 제어 정책을 적용하여 고속 주행 중 충돌 위험을 최소화하였다.
- 저수준 자세 및 위치 제어는 수작업으로 조정하고 실제 하드웨어에서 검증하였으며, 고수준 궤적 계획은 학습된 게이트 탐지 및 예측 모델에 기반한 하이브리드 제어 아키텍처를 통합하였다.
- 낮은 지연 시간을 확보하기 위해 경량 온보드 하드웨어에서의 실시간 추론을 최적화하여, 인식-행동 사이클을 10 ms 이내로 유지하였다.
실험 결과
연구 질문
- RQ1최소한의 실제 세계 데이터와 제한된 하드웨어 접근성으로도 복잡하고 동적인 환경에서 고속 비행을 수행할 수 있는 자율 드론은 어떻게 설계할 수 있는가?
- RQ2활성 시각 및 위험 인식 제어와 같은 인간의 전략을 모방한 접근 방식은 순수 학습 또는 시뮬레이션 기반 접근 방식에 비해 자율 드론 레이싱 성능을 얼마나 향상시킬 수 있는가?
- RQ3딥 러닝과 전통적 제어 및 추정 기법을 융합한 하이브리드 AI 시스템은 로봇 공학 분야에서 현실과의 격차를 줄이는 데 어떤 역할을 하는가?
- RQ4게이트 탐지를 위한 지도 학습과 인간이 설계한 제어 법칙에 기반한 시스템은 고속 및 안전 제약 조건이 있는 실제 로봇 작업에서 엔드 투 엔드 학습 시스템을 능가할 수 있는가?
- RQ5동적인 조건에서 실시간 드론 레이싱 환경에서 활성 시각은 인식의 강건성 향상과 불확실성 감소에 얼마나 효과적인가?
주요 결과
- 최종 레이스에서 시스템은 9.2 m/s의 최고 속도를 기록하였으며, 당시까지 어떤 자율 드론 레이싱 대회에서도 기록된 바 없는 가장 빠른 속도였다.
- GateNet 모델은 다양한 조명 조건과 가림 상태에서도 높은 정확도로 레이스 게이트를 세그멘테이션하여 고속 주행 조건에서도 신뢰할 수 있는 탐지 성능을 보였다.
- 활성 시각 전략은 게이트 코의 가시성을 극대화함으로써 게이트 탐지 신뢰도를 크게 향상시켰으며, 거짓 음성 감소에 기여하였다.
- 위험 인식 제어 정책은 게이트 탐지 및 상태 추정의 불확실성에 기반해 속도를 동적으로 조절함으로써 충돌 가능성을 줄여주어 시스템의 강건성을 향상시켰다.
- 감독 학습 기반의 딥 러닝 인식과 수작업 설계된 제어 및 추정 기법을 융합한 하이브리드 아키텍처는 대회에서의 시간 및 하드웨어 제약 조건 하에서 엔드 투 엔드 학습 방식보다 더 효과적이고 신뢰도가 높았다.
- 우수한 속도와 강건성을 달성했음에도 불구하고, 최고의 인간 조종사(Gab707)에게 패배하여 극한 조건에서의 실시간 의사결정 및 적응 능력 향상 여전히 남아 있는 과제임을 시사하였다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.