[논문 리뷰] TTM: Terrain Traversability Mapping for Autonomous Excavator Navigation in Unstructured Environments.

Tianrui Guan, Zhenpeng He외 2명|arXiv (Cornell University)|2021. 09. 13.

Robot Manipulation and Learning참고 문헌 32인용 수 14

한 줄 요약

이 논문은 비구조적 환경에서 자율 굴착기의 지형 이동 가능성 추정을 위해 RGB 이미지와 3D 포인트 클라우드를 융합하는 실시간, 학습 기반 방법인 지형 이동 가능성 맵핑(TTM)을 제안한다. 굴착기 전용 물리적 제약 조건을 통합하고 맵을 동적으로 업데이트함으로써, 깊은 구덩이와 암석 더미와 같은 복잡한 지형에서 기존 방법 대비 경로 계획 성공률을 49.3% 향상시킨다.

ABSTRACT

We present Terrain Traversability Mapping (TTM), a real-time mapping approach for terrain traversability estimation and path planning for autonomous excavators in an unstructured environment. We propose an efficient learning-based geometric method to extract terrain features from RGB images and 3D pointclouds and incorporate them into a global map for planning and navigation for autonomous excavation. Our method used the physical characteristics of the excavator, including maximum climbing degree and other machine specifications, to determine the traversable area. Our method can adapt to changing environments and update the terrain information in real-time. Moreover, we prepare a novel dataset, Autonomous Excavator Terrain (AET) dataset, consisting of RGB images from construction sites with seven categories according to navigability. We integrate our mapping approach with planning and control modules in an autonomous excavator navigation system, which outperforms previous method by 49.3% in terms of success rate based on existing planning schemes. With our mapping the excavator can navigate through unstructured environments consisting of deep pits, steep hills, rock piles, and other complex terrain features.

연구 동기 및 목표

• 비구조적 공사 현장에서 복잡한 지형 특성을 가진 환경에서 자율 주행의 과제를 해결하기 위해.
• 시각적 및 기하학적 데이터를 사용하여 지형 이동 가능성 추정을 수행하는 실시간, 적응형 맵핑 시스템을 개발하기 위해.
• 자율 굴착기 운영을 위한 지형 이동 가능성 추정을 계획 및 제어와 통합하기 위해.
• 깊은 구덩이, 급경사, 암석 더미와 같은 도전적인 환경에서의 경로 계획 성공률을 향상시키기 위해.

제안 방법

• TTM는 RGB 이미지와 3D 포인트 클라우드에서 지형 특징을 추출하기 위해 학습 기반 기하 방법을 사용한다.
• 최대 기울기 각도와 같은 굴착기 전용 물리적 제약 조건을 이동 가능성 추정 과정에 통합한다.
• 환경 변화를 반영하기 위해 실시간으로 업데이트되는 글로벌 이동 가능성 맵을 유지한다.
• 학습 및 평가를 위해 7개의 주행 가능 카테고리로 구성된 새로운 데이터셋인 자율 굴착기 지형(AET)을 구축하였다.
• 맵핑 프레임워크는 완전한 자율 주행 시스템 내의 계획 및 제어 모듈과 통합되어 있다.
• 이 방법은 운영 중 변화하는 지형 조건에 대한 동적 적응을 가능하게 한다.

실험 결과

연구 질문

• RQ1 비구조적 공사 현장에서 RGB 및 3D 데이터로부터 실시간으로 지형 이동 가능성을 정확히 추정할 수 있는 방법은 무엇인가?
• RQ2 굴착기 전용 물리적 제약 조건이 이동 가능한 영역을 정의하는 데 어떤 역할을 하는가?
• RQ3 실시간 맵 업데이트가 동적이고 복잡한 환경에서 주행 성능을 향상시키는 데 어떻게 기여하는가?
• RQ4 제안된 TTM 방법이 비구조적 지형에서 기존의 계획 기법보다 어느 정도 뛰어나게 성능을 발휘하는가?

주요 결과

• TTM는 기존의 계획 기법 대비 자율 굴착기 주행 성공률을 49.3% 향상시켰다.
• 이 방법은 깊은 구덩이, 급경사, 암석 더미와 같은 복잡한 비구조적 지형을 성공적으로 주행할 수 있도록 했다.
• AET 데이터셋은 지형 평가를 위한 7개의 주행 가능 카테고리로 구성된 종합적 기준을 제공한다.
• 이동 가능성 맵에 기계의 물리적 제약 조건을 통합함으로써 계획의 신뢰성과 안전성이 향상되었다.
• 실시간 맵 업데이트 기능 덕분에 시스템이 운영 중 환경 변화에 적응할 수 있게 되었다.
• RGB 및 3D 데이터로부터의 학습 기반 특징 추출은 광범위한 수동 레이블링이 필요 없이도 견고한 지형 이해를 가능하게 한다.