수색 및 구조 임무는 로봇이 미지의 환경을 탐험하고, 제한된 시간 내에 진행 상황을 유지하며, 희생자 발견 가능성을 높일 것을 요구합니다. 실내 재난 환경에서 탐색 문제는 지도 커버리지에 국한되지 않습니다. 후보 프론티어는 모두 현재 로봇 위치에서 도달 가능하더라도 접근성, 가시성, 예상 구조 가치가 다를 수 있습니다. 따라서 일반적인 탐색에 적합한 프론티어 선택 정책이 수색 및 구조에 가장 적합한 정책이 아닐 수 있습니다.
사족 보행 로봇은 복잡한 공간을 이동할 수 있고 바퀴형 시스템에는 제한적인 조건에서도 보행을 유지할 수 있기 때문에 이 문제에 적합한 플랫폼입니다. 이러한 기동성은 부분적으로 구조화된 환경에서 정찰 및 희생자 수색에 매력적입니다. 그러나 보행 기동성만으로는 충분하지 않습니다. 여러 탐색 대안이 가능해지면 로봇은 새로운 공간을 관찰할 수 있는 위치뿐만 아니라 구조 관련 진행이 더 likely 달성될 수 있는 위치를 결정해야 합니다. 이러한 어려움은 환경에 여러 갈래, 부분 폐색, 그리고 순수 기하학적 프론티어 선택의 유용성을 약화시키는 복잡함이 있을 때 더욱 두드러집니다.
본 연구에서는 단일 사족 보행 수색 및 구조 로봇을 위한 상황 인식 프론티어 우선순위화 전략을 제안합니다. 이 방법은 프론티어 탐색 구조를 유지하면서 프론티어 점수에 구조 관련성, 관찰 결핍, 지형 패널티, 이동 비용을 추가로 고려합니다. 이를 통해 지도 확장을 유지하면서 구조 성능을 향상시킬 가능성이更高的 프론티어에 우선권을 부여합니다. 제안된 프레임워크의 개요(두 평가 시나리오, 인식 및 매핑 파이프라인, 프론티어 우선순위화 메커니즘, 주요 평가 기준 포함)가 제시됩니다.
이 방법은 두 가지 시뮬레이션 실내 환경에서 평가됩니다. 첫 번째 시나리오는 의도적으로 단순하여 기본 점검으로 사용됩니다. 두 번째 시나리오는 더 높은 수준의 복잡함과 분기 구조를 도입하여 주요 비교 사례로 사용됩니다. 결과는 쉬운 시나리오는 모든 방법으로 해결되는 반면, 더 크고 복잡한 시나리오는 다르다는 것을 보여줍니다. 해당 설정에서 제안된 방법은 가장 높은 완료율과 가장 높은 희생자 회수율을 달성합니다. 이러한 결과는 상황 인식 프론티어 우선순위화가 프론티어 선택이 더 이상 사소하지 않고 구조 유용성과 커버리지의 균형을 맞춰야 할 때 가장 유용함을 시사합니다.
본 연구의 주요 기여는 다음과 같이 요약됩니다:
- 정보 이득, 관찰 결핍, 구조 관련성, 지형 패널티, 이동 비용에 따라 프론티어 선택이 안내되는 단일 사족 보행 수색 및 구조 로봇을 위한 상황 인식 프론티어 우선순위화 방법.
- 난이도가 다른 두 실내 환경(간단한 시나리오와 프론티어 선택 동작의 차이를 드러내도록 설계된 복잡한 시나리오)에서 사족 보행 수색 및 구조를 위한 시뮬레이션 기반 평가 프로토콜.
- 가장 가까운 프론티어, 정보 이득, 위험 인식 기준선과의 실험적 비교를 통해 제안된 방법이 복잡한 시나리오에서 최고의 완료율과 희생자 회수율을 달성함을 보여줍니다.
관련 연구
프론티어 기반 탐색은 미지의 환경에서 자율 탐색을 위한 가장 확립된 접근 방식 중 하나입니다. 고전적 공식에서 프론티어는 알려진 자유 공간과 미지 공간 사이의 경계로 정의되며, 로봇은 매핑된 영역을 확장하기 위해 이러한 경계 중 하나로 안내됩니다. 이 접근 방식은 단순성 때문에 매력적이지만, 동일하게 도달 가능하면서도 작업 관련성이 다른 프론티어를 구분하지 않습니다.
정보 기반 탐색은 일반적으로 엔트로피 감소 또는 정보 이득을 통해 매핑에 대한 예상 유용성에 따라 후보 프론티어를 순위화하여 이 아이디어를 확장합니다. 이 공식은 이동 거리를 최소화하는 대신 지도 개선을 최대화하려고 시도하기 때문에 순수 최근접 프론티어 선택보다 강력합니다. 그러나 그 목표는 여전히 주로 탐색적입니다. 수색 및 구조에서 가장 유용한 프론티어가 희생자 발견에 가장 관련이 없는 경우 정보 이득만으로는 충분하지 않을 수 있습니다.
위험 인식 탐색은 탐색 중 성공하지 못할 확률, 지형 난이도 또는 불확실성을 고려하여 다른 강조점을 도입합니다. 이러한 방법은 공격적이지만 안전하지 않은 행동의 가능성을 줄이기 때문에 어려운 환경에서 가치가 있습니다. 그러나 위험 인식 방법은 반드시 구조 인식은 아닙니다. 프론티어는 안전하고 유용한 정보를 제공하면서도 희생자 수색 목표와 약하게 연결될 수 있습니다.
프론티어 기반 탐색, 정보 기반 탐색, 위험 인식 탐색이 자율 수색을 위한 강력한 기반을 제공하지만, 사족 보행 수색 및 구조에는 여전히 중요한 격차가 있습니다. 기존 방법은 주로 커버리지, 불확실성 감소, 안전한 이동과 같은 일반적인 탐색 목표를 위해 설계되었지만 구조 유용성에 따라 프론티어를 명시적으로 순위화하지 않습니다. 수색 및 구조에서 이는 관련 한계입니다. 가장 가깝거나 매핑에 가장 유용한 프론티어가 희생자 발견을 가장 잘 지원하는 프론티어가 아닐 수 있기 때문입니다. 이 격차는 프론티어 선택이 더 이상 사소하지 않은 복잡한 환경에서 더욱 두드러집니다.
본 연구는 사족 보행 로봇을 위한 구조 지향 프론티어 선택 전략을 도입하여 기존의 최근접 프론티어, 정보 이득, 위험 인식 탐색 방법과 차별화됩니다. 제안된 방법은 프론티어 탐색 프레임워크를 유지하면서 지형 패널티와 이동 비용에 추가로 구조 관련성과 관찰 결핍을 추가합니다. 결과적으로 이 방법은 지도를 확장할 뿐만 아니라 구조 결과를 개선할 가능성이 있는 프론티어 쪽으로 탐색을 편향시키도록 설계되었습니다. 따라서 본 논문은 일반적인 탐색 정책과 작업 인식 수색 및 구조 탐색 사이의 격차를 해결하고, 결정 복잡성이 증가하는 실내 환경에서 그 차이를 평가합니다.
문제 정의
처음에 미지의 환경으로 표현되는 실내 수색 및 구조 설정에서 단일 사족 보행 로봇을 고려합니다. 로봇은 자율적으로 지도를 탐험하고, 복잡한 통로를 탐색하며, 고정된 임무 시간 예산 내에서 희생자를 찾을 확률을 최대화해야 합니다. 현재 점유 지도에서 후보 프론티어를 추출한다고 가정합니다. 결정 문제는 각 계획 주기에서 지도 확장과 구조 지향 유용성을 가장 잘 균형 잡는 프론티어를 선택하는 것입니다.
제안된 방법은 각 프론티어에 정보 이득, 관찰 결핍, 구조 관련성, 지형 패널티, 이동 비용의 다섯 가지 항목의 가중 조합에 따라 점수를 할당합니다. 이 공식은 프론티어 기반 탐색의 단순성을 유지하면서 수색 및 구조 목표를 향해 확장합니다. 정보 이득은 지속적인 지도 확장을 촉진하고, 관찰 결핍은 약하게 탐색된 영역을 선호하며, 구조 관련성은 희생자 수색 가능성이 더 높은 프론티어에 우선권을 부여하고, 지형 패널티는 어렵거나 위험한 지역을 억제하며, 이동 비용은 불필요하게 비싼 이동을 피합니다.
시스템 아키텍처
전체 시스템은 ROS 2로 구현되고 Gazebo 시뮬레이션에서 Unitree Go2 사족 보행 모델로 평가되는 인식, 계획, 실행 파이프라인으로 구성됩니다. 아키텍처에는 매핑, 프론티어 생성 및 점수화, 희생자 처리, 로컬 모션 실행의 네 가지 주요 모듈이 포함됩니다.
로봇은 온보드 센서를 사용하여 환경의 로컬 점유 표현을 증분 업데이트합니다. 이 지도는 알려진 자유 공간, 점유 공간, 미지 영역을 구분하는 데 사용됩니다. 병렬로 로봇 상태 추정 파이프라인은 지도 업데이트, 프론티어 추출, 모션 제어에 필요한 자세를 제공합니다. 따라서 매핑 레이어는 모든 평가 방법의 공통 정보 소스 역할을 합니다.
제안 방법: 상황 인식 프론티어 우선순위화
제안된 방법(상황 인식 프론티어 우선순위화)은 프론티어 기반 탐색을 구조 지향 결정 변수로 확장합니다. 주요 아이디어는 프론티어 선택이 기하학적 또는 정보적 가치뿐만 아니라 프론티어가 의미 있는 수색 및 구조 진행을 지원할 가능성을 반영해야 한다는 것입니다.
현재 점유 지도에서 추출된 후보 프론티어 집합이 주어지면 선택된 프론티어는 가장 높은 프론티어 점수를 가진 것으로 정의됩니다. 구조 관련성을 명시적으로 만들기 위해 구조 관련성 항목은 잠정적 희생자 증거의 함수로 모델링됩니다.
일반적인 탐색과 비교하여 제안된 방법은 세 가지 측면에서 다릅니다. 첫째, 프론티어 순위에 구조 관련성을 도입하여 희생자 발견을 개선할 가능성이 더 높은 지역으로 로봇을 편향시킵니다. 둘째, 관찰 결핍을 포함하여 최소한의 커버리지 후 무시되는 대신 약하게 관찰된 영역이 필요할 때 재방문되도록 합니다. 셋째, 구조 관련성이 이동 가능성을 지배하지 않도록 지형 및 이동 패널티를 유지합니다.
기준선 방법
제안된 방법은 거리, 지도 유용성 또는 안전만 최적화하지 않기 때문에 기준선과 다릅니다. 대신, 프론티어 탐색 프레임워크를 유지하면서 프론티어 순위에 구조 관련성을 명시적 항목으로 도입합니다. 따라서 비교는 프론티어 탐색과 다른 계획 패러다임 간의 비교가 아니라 일반적인 프론티어 선택 정책과 구조 인식 프론티어 정책 간의 비교입니다.
결과
결과는 쉬운 시나리오(S1)와 복잡한 시나리오(S2)에서 얻었습니다. S1에서 모든 방법은 비교적 높은 완료율을 달성하여 환경이 유효한 기본 점검 시나리오로 기능함을 확인합니다. 이 더 쉬운 설정에서 정보 이득 기준선은 가장 높은 완료율과 희생자 회수율을 달성하는 반면, 제안된 방법은 기능하지만 가장 강한 기준선을 능가하지는 않습니다. 이는 프론티어 선택이 단순하고 대부분의 후보 프론티어가 유사하게 유용할 때 명시적 상황 인식이 덜 관련이 있음을 시사합니다.
S2에서는 다른 패턴이 관찰됩니다. 이 복잡한 환경에서 제안된 상황 인식 프론티어 우선순위화 방법은 20개 중 20개의 성공적인 실행을 달성하여 가장 높은 완료율을 달성합니다. 또한 실행당 평균 2.00명의 확인된 희생자로 가장 높은 희생자 회수율을 달성합니다. 대조적으로 정보 이득 기준선은 20개 중 14개의 실행만 완료하고 평균적으로 더 적은 희생자를 회수합니다. 최근접 프론티어 및 위험 인식 탐색은 경쟁력이 있지만 둘 다 완료율과 희생자 회수율에서 제안된 방법보다 성능이 떨어집니다.
임무 시간과 경로 길이 값은 이 해석을 뒷받침합니다. S2에서 제안된 방법은 가장 긴 이동 거리를 요구하지 않고 전체 임무 완료에 도달합니다. 정보 이득 기준선은 평균적으로 훨씬 더 멀리 이동하지만 완료율과 희생자 회수율은 더 나쁩니다. 이는 제안된 방법이 단순히 수색 노력을 증가시키는 것이 아니라 노력을 더 효과적으로 할당함을 나타냅니다. 따라서 제안된 방법론의 주요 이점은 단순한 이동 자체가 아닌 프론티어 결정 품질에 나타납니다.
종합하면, 결과는 상황 인식 프론티어 우선순위화가 프론티어 선택이 모호해질 만큼 충분한 복잡함과 분기 구조를 포함하는 환경에서 가장 유용함을 시사합니다. 쉬운 시나리오에서는 더 단순한 탐색 기준으로 충분합니다. 그러나 복잡한 시나리오에서는 구조 지향 프론티어 점수화가 임무 신뢰성과 희생자 회수율을 향상시킵니다.
결론
본 논문은 단일 사족 보행 수색 및 구조 로봇을 위한 상황 인식 프론티어 우선순위화 전략을 제시했습니다. 제안된 방법은 프론티어 기반 선택의 계산적으로 매력적인 구조를 유지하면서 구조 관련성, 관찰 결핍, 지형 패널티, 이동 비용으로 고전적인 프론티어 탐색을 확장합니다. 이 방법은 쉬운 조건과 복잡한 조건을 나타내는 두 가지 실내 구조 시나리오에서 평가되었습니다.
결과는 쉬운 시나리오가 모든 방법이 대체로 효과적인 안정적인 기본 점검 역할을 하는 반면, 복잡한 시나리오는 더 구별력이 있음을 보여줍니다. 해당 설정에서 제안된 방법은 가장 높은 완료율과 가장 높은 희생자 회수율을 달성하여 프론티어 선택이 더 이상 사소하지 않을 때 구조 인식 프론티어 우선순위화가 유용해짐을 나타냅니다. 따라서 결과는 상황 인식의 주요 가치가 일반적인 탐색 목표만으로는 충분하지 않은 구조화된 복잡한 환경에 있음을 뒷받침합니다.
향후 연구는 더 어려운 환경으로 연구를 확장하고, 더 강한 폐색과 불확실성 하에서 희생자 확인을 개선하며, 실제 사족 보행 플랫폼에서 제안된 전략을 검증해야 합니다.
감사의 글
저자들은 이 작업을 지원해 준 우루과이 공과대학과 로봇공학 및 인공지능 연구소에 감사드립니다.
자주 묻는 질문
이 프론티어 우선순위화 방법이 표준 프론티어 탐색과 어떻게 다른가요? 제안된 방법은 지형 패널티와 이동 비용에 추가로 구조 관련성과 관찰 결핍 항목을 추가하여 단순히 지도 커버리지를 확장하는 대신 희생자 발견 가능성이 더 높은 프론티어 쪽으로 탐색을 편향시킵니다.
평가에 사용된 로봇 플랫폼은 무엇인가요? 시스템은 ROS 2로 구현되었고 두 시뮬레이션 실내 환경에서 Unitree Go2 사족 보행 모델을 사용하여 Gazebo 시뮬레이션에서 평가되었습니다.
복잡한 시나리오에서 어떤 결과를 얻었나요? 복잡한 환경에서 제안된 방법은 20개 중 20개의 성공적인 임무 완료와 실행당 평균 2.00명의 확인된 희생자를 달성하여 최근접 프론티어, 정보 이득, 위험 인식 기준선보다 성능이 뛰어났습니다.
상황 인식 프론티어 우선순위화가 가장 유용한 때는 언제인가요? 이 방법은 프론티어 선택이 모호하고 일반적인 탐색 목표가 효과적인 수색 및 구조에 충분하지 않은 분기 구조가 있는 복잡한 환경에서 가장 큰 이점을 제공합니다.