본 연구에서는 부호 거리 함수(SDF) 재구성과 SDF 가속 모션 계획을 통합하는 계산 효율적인 매핑 및 계획 접근법을 소개합니다. 매핑 방법인 OREN(Octree Residual Network)은 명시적 옥트리 사전 정보와 암시적 신경망 잔차를 결합하여 미분 가능한 비절단 SDF를 온라인으로 재구성합니다. 이 하이브리드 접근법은 신경망 방법의 정확도를 체적 방법의 메모리 및 런타임 효율성으로 달성합니다. 계획을 위해 우리는 충돌 없는 버블 그래프인 Bubble를 제안합니다. 이는 종료, 완전성 및 실패 탐지를 보장하는 안전 회랑을 형성합니다. 이 버블 회랑은 동역학적으로 실현 가능한 궤적 최적화를 위한 안전 제약 조건을 정의합니다. 기준 방법과 비교했을 때, Bubble는 컴팩트한 높은 클리어런스 회랑과 부드러운 기본 경로를 쌍으로 제공하여 탐색과 궤적 최적화를 모두 빠르게 유지하는 유일한 방법입니다.
관련 연구
이 섹션에서는 항공 로봇을 위한 기존 SDF 재구성 방법 및 통합 매핑 및 계획 방법을 검토합니다.
OREN: 온라인 옥트리 잔차 네트워크
OREN은 명시적 옥트리 사전 정보와 암시적 신경망 잔차를 결합하여 미분 가능한 비절단 부호 거리 함수를 온라인으로 재구성합니다. 옥트리 사전 정보는 깊이 측정을 옥트리 구조에 저장된 절단 부호 거리장(TSDF)으로 융합하여 계산됩니다. 신경망 잔차는 작은 다층 퍼셉트론(MLP)으로, 특히 TSDF 근사가 저하되는 표면에서 먼 영역에서 옥트리 사전 정보의 오류를 보정하도록 학습됩니다.
핵심 통찰은 옥트리 사전 정보가 환경의 대략적인 구조를 효율적으로 포착하는 반면, 신경망은 잔차 오류만 모델링한다는 것입니다. 이러한 분해를 통해 OREN은 순수 신경 방법의 정확도를 현저히 낮은 메모리 사용량과 더 빠른 추론으로 달성할 수 있습니다. 잔차 네트워크의 훈련 데이터는 옥트리와 실제 깊이 이미지에서 점진적으로 수집되어 새로운 환경에 온라인 적응을 가능하게 합니다.
Bubble*: 거리 가속 모션 계획
Bubble는 학습된 SDF를 사용하여 충돌 없는 버블 그래프를 구축합니다. 각 버블은 자유 공간의 점을 중심으로 하고 반경이 가장 가까운 장애물까지의 거리와 같은 구입니다. 이 버블들은 환경을 통과하는 안전 회랑을 형성합니다. 알고리즘은 버블에 도달하는 비용과 제공하는 클리어런스를 모두 고려하는 A의 변형을 사용하여 버블 그래프를 탐색합니다.
Bubble는 종료, 완전성 및 실패 탐지를 보장합니다. 버블 그래프를 통해 경로가 존재하면 Bubble가 찾습니다. 경로가 없으면 종료되고 실패를 보고합니다. 버블 회랑은 동역학적으로 실현 가능한 궤적 최적화를 위한 안전 제약 조건을 정의하여 계획된 궤적이 충돌 없이 유지되도록 보장합니다.
궤적 최적화
Bubble*의 버블 회랑이 주어지면 부드럽고 동역학적으로 실현 가능한 궤적을 생성하는 궤적 최적화 문제를 정식화합니다. 안전 제약 조건은 궤적의 각 점이 버블들의 합집합 내에 유지되어야 한다는 부등식 제약 조건으로 인코딩됩니다. 이 정식화는 조합 계획 문제를 연속 최적화에서 분리하여 효율적인 해결을 가능하게 합니다.
궤적은 조각별 다항식으로 매개변수화되며, 동역학 및 안전 제약 조건 하에서 저크를 최소화합니다. 최적화는 순차적 이차 계획법을 사용하여 해결되며, 버블 회랑이 웜 스타트를 제공하여 수렴을 가속화합니다.
실험 결과
우리는 시뮬레이션 및 실제 쿼드로터 실험에서 OREN과 Bubble*를 평가합니다. 시뮬레이션에서는 OREN을 최신 SDF 매핑 방법(순수 체적 방법 및 순수 신경 방법 포함)과 비교합니다. OREN은 체적 방법보다 낮은 재구성 오차를 달성하면서 신경 방법의 정확도를 일치시키며, 메모리 사용량은 체적 방법과 비슷하고 신경 방법보다 현저히 낮습니다.
계획에 있어서 Bubble를 RRT, BIT 및 표준 회랑 기반 방법과 같은 기준 계획자와 비교합니다. Bubble는 최상의 기준 방법과 비슷한 부드러움과 안전성을 가진 궤적을 생성하면서 더 적은 계산 시간이 필요합니다. 주요 장점은 Bubble*가 복잡한 환경에서도 일관되게 높은 클리어런스 회랑을 찾아 궤적 최적화를 더 빠르게 한다는 것입니다.
결론
본 논문은 안전한 자율 비행을 위한 SDF 재구성 및 SDF 가속 모션 계획의 효율적인 통합 접근법을 개발했습니다. 매핑 방법인 OREN은 명시적 옥트리 사전 정보와 암시적 신경망 잔차를 결합하여 미분 가능한 비절단 SDF를 온라인으로 재구성하며, 신경망 방법의 정확도를 체적 방법의 메모리 및 런타임 효율성으로 달성합니다. SDF 표현을 활용하여 Bubble는 충돌 없는 버블 그래프를 구축하고, 이는 종료, 완전성 및 실패 탐지를 보장하는 안전 회랑을 형성합니다. 이러한 버블 회랑은 동역학적으로 실현 가능한 궤적 최적화를 위한 안전 제약 조건을 정의합니다. 기준 방법과 비교했을 때, Bubble는 컴팩트한 높은 클리어런스 회랑과 부드러운 기본 경로를 쌍으로 제공하여 탐색과 궤적 최적화를 모두 빠르게 유지하는 유일한 방법입니다.
자주 묻는 질문
OREN은 SDF 매핑을 위해 옥트리와 신경망 방법을 어떻게 결합합니까? OREN은 깊이 데이터로부터 옥트리에 거친 TSDF 사전 정보를 저장한 다음, 작은 신경망이 잔차 오류를 보정하도록 학습하여 순수 신경 방법과 비슷한 정확도를 체적 방법과 유사한 메모리 효율성으로 달성합니다.
*Bubble는 모션 계획에 대해 어떤 보장을 제공합니까?* Bubble는 종료, 완전성(경로가 존재하면 찾음) 및 실패 탐지(버블 그래프를 통해 경로가 없을 때 보고)를 보장합니다.
버블 회랑은 궤적 최적화를 어떻게 가속화합니까? 버블 회랑은 궤적 최적화기에 높은 클리어런스의 웜 스타트를 제공하여 실현 가능한 궤적의 탐색 공간을 줄이고 좁은 회랑을 사용하는 방법보다 수렴 속도를 향상시킵니다.
*OREN과 Bubble는 쿼드로터에서 실시간으로 실행될 수 있습니까?** 예, 매핑 및 계획 접근법은 쿼드로터 하드웨어에서 시연되었으며, 옥트리는 깊이 이미지로부터 빠른 업데이트를 제공하고 신경망 잔차는 쿼리당 최소한의 계산만 필요로 합니다.