야외 환경에서 작동하는 이동 로봇은 서로 다른 난이도를 갖는 다양한 지형을 주행하는 데 있어 어려움에 직면한다. 따라서 주행 가능성(traversability) 추정은 안전하고 효율적인 로봇 내비게이션을 위해 필수적이다. 현재의 접근법들은 로봇의 주행 경험을 활용하여 자기지도 방식으로 주행 가능성을 학습한다. 그러나 많은 실제 적용 상황에서 로봇에게 충분하고 다양한 경험을 제공하는 일은 어렵다. 본 논문에서는 제한된 사전 경험을 바탕으로 도전적인 지형에 적응하는 자기지도 주행 가능성 학습 방법을 제안한다. 핵심 요소 중 하나는 위험에 민감한 접근(risk-sensitive approach)을 사용하여 희소하지만 고위험인 지형에 대한 우선 학습을 가능하게 하는 것이다. 이를 위해 위험을 인지하는 인스턴스 가중치(risk-aware instance weighting) 기법을 통해 신경망을 학습한다. 또 다른 핵심 요소는 자기훈련(self-training) 방식에 기반하여 주행 가능성 준-라벨(pseudo-labels)을 활용하는 것이다. 제안된 신뢰도 정규화(confidence-regularized) 자기훈련은 고품질 준-라벨을 생성함으로써 경험하지 못한 지형에 대한 신뢰할 수 있는 데이터 증강을 가능하게 한다. 제안 방법의 효과는 구조화된 도시 환경부터 복잡하고 거친 지형에 이르기까지 광범위한 실제 환경 실험을 통해 검증되었다.

자율 이동 로봇에서 정확하고 견고한 위치 현지화(localization)는 필수적이다. Light Detection and Ranging(LiDAR) 센서를 기반으로 한 맵 매칭(map matching)은 로봇의 전역(global) 위치를 추정하기 위해 널리 채택되어 왔다. 그러나 환경이 변화하거나 충분한 특징(features)이 제공되지 않을 때 맵 매칭 성능이 저하될 수 있다. 부정확한 맵 매칭 자세(poses)를 현지화(localization)에 무분별하게 통합하면 자세 추정(pose estimation)의 신뢰성이 크게 감소할 수 있다. 본 논문은 맵 매칭에 기반한 견고한 LiDAR 기반 위치 현지화 방법을 개발하는 것을 목표로 한다. 우리는 맵 매칭 자세의 불확실성(uncertainty)으로부터 계산되는 적절한 가중치(weights)를 결정하는 데에 초점을 둔다. 맵 매칭 자세의 불확실성은 자세에 대한 확률분포(probability distribution)로부터 추정한다. 우리는 확률분포를 도출하기 위해 정규분포 변환(normal distribution transform) 맵을 활용한다. 인자 그래프(factor graph)를 사용하여 맵 매칭 자세, LiDAR 관성 항법 오도메트리(LiDAR-inertial odometry), 그리고 전역 항법 위성 시스템(global navigation satellite system) 정보를 결합한다. 실험적 검증은 대학 캠퍼스의 야외 환경에서 변화하거나 동적인 환경을 포함하는 서로 다른 3가지 시나리오에 대해 성공적으로 수행되었다. 제안한 방법의 성능을 세 가지 LiDAR 기반 위치 현지화 방법과 비교하였다. 실험 결과는 다양한 야외 환경에서 맵 매칭 자세가 부정확하더라도 견고한 위치 현지화 성능을 달성할 수 있음을 보여준다. 실험 영상은 https://youtu.be/L6p8gwxn4ak 에서 확인할 수 있다.

최근 HD 지도는 자율주행에서 위치추정부터 인지 및 경로계획에 이르기까지 중요한 구성요소로 자리 잡고 있다. HD 지도의 실용적 활용을 위해서는 환경의 변화가 HD 지도에 정기적으로 반영되는 것이 중요하다. 기존 접근 방식은 고가의 모바일 매핑 시스템과 전문가에 의한 상당한 수작업을 필요로 하므로, 잦은 지도 업데이트를 달성하기 어렵다. 본 논문에서는 막대한 규모의 크라우드소싱 데이터를 통해 HD 지도에서 차선 표시에 대한 빈번하고 자동화된 업데이트가 가능함을 보여준다. 크라우드소싱 데이터는 대한민국 서울에 있는 다수의 시내버스와 택시에 장착된 온보드 저가형 센싱 장치로부터 획득한다. 대량의 크라우드소싱 데이터가 매일 서버에 축적된다. 저가형 장치의 제한된 성능으로 인해 센서 측정의 품질은 그리 높지 않다. 따라서 기술적 과제는 크라우드소싱 데이터의 불확실성을 극복하는 데 있다. 다량의 저품질 데이터를 적절히 필터링해내는 것이 중요한 문제이다. 제안하는 HD 지도 업데이트 전략은 자세 보정, 관측치 할당, 관측치 군집화, 랜드마크 분류를 포함하는 여러 처리 단계로 구성된다. 제안하는 HD 지도 업데이트 전략은 크라우드소싱 데이터를 사용하여 실험적으로 검증된다. 변화한 환경이 성공적으로 추출되면, 정밀하게 업데이트된 HD 지도가 생성된다.

3차원 라이트 디텍션 앤 레이징(LiDAR) 센서는 정확하고 견고하며 풍부한 기하학적 정보를 제공한다는 점에서 자율 주행 분야에서 큰 주목을 받아왔다. 자율주행 차량은 다수의 상용 저가 3차원 LiDAR가 존재하므로, 일반적으로 여러 개의 3D LiDAR를 장착한다. 다중 LiDAR 센서의 외부 파라미터(Extrinsic) 캘리브레이션은 일관된 기하학적 정보를 얻기 위해 필수적이다. 본 논문은 평면 물체(plane objects)를 이용하여 여러 3D LiDAR 센서의 외부 파라미터 캘리브레이션을 수행하기 위한 체계적인 절차를 제시한다. LiDAR 센서들의 공통 시야(common field of view) 내에 최소 세 개의 독립적인 평면이 필요하다. 이러한 조건을 만족하는 평면은 실내외 환경에서 바닥, 벽, 또는 기둥과 같은 대상에서 쉽게 찾을 수 있다. 따라서 제안된 방법은 인공 캘리브레이션 오브젝트를 사용하는 것과 같은 환경의 수정이 필요하지 않다. 다중 LiDAR는 일반적으로 사각지대를 줄이기 위해 서로 다른 시점을 가진다. 이러한 상황은 기존의 등록(registration) 알고리즘을 이용한 외부 파라미터 캘리브레이션의 난이도를 높인다. 우리는 대응점(correspondences)을 알 수 없는 경우에 대해 평면 등록(plane registration) 방법을 제안한다. 제안된 등록 기법을 통해 전체 캘리브레이션 과정을 손쉽게 자동화할 수 있다. 제시된 실험 결과는 본 방법이 기존의 점군(point cloud) 등록 방법보다 더 정확한 외부 파라미터를 산출함을 명확히 보여준다.

자율주행 모바일 로봇은 야외 배송 서비스에서 사용되어 왔다. 배송 로봇은 동적인 장애물과 다양한 환경 조건에 대응해야 한다. 실내 적용을 위한 여러 성공적인 기술적 해결책이 존재함에도 불구하고, 야외 환경에서는 여전히 많은 미해결 문제가 남아 있다. 본 연구에서는 캠퍼스 배송 로봇 개발을 저해하는 세 가지 기술적 과제에 초점을 맞춘다. 첫 번째 과제는 다양한 동적 야외 환경에서의 견고한 위치추정이다. 라이더 및 Global Navigation Satellite System (GNSS) 센서를 사용하여 얻은 위치추정 결과는 상호 보완적인 장점과 단점을 보인다. 제안하는 위치추정 전략은 다중 센서로부터의 정보를 효율적으로 결합한다. 두 번째 과제는 통과 가능한 영역의 검출을 기반으로 한 안전한 항법이다. 제시된 지형 통과가능성 분석은 명확하고 실시간인 양(positive) 및 음(negative) 장애물 정보를 제공한다. 세 번째 과제는 충돌 또는 데드락의 위험을 줄이기 위해 효과적인 경로 계획 전략이 필요하다는 점이다. 우리는 지도에 나타난 지역의 동적 장애물에 대한 출현 이력을 수집하였다. 그 결과로 생성된 경로는 혼잡한 구역을 피하도록 신중하게 작성되었다. 실험적 검증은 고려대학교 캠퍼스에서 성공적으로 수행되었다. 제시된 결과는 제안된 방법들이 동적인 실제 환경에서 안전하고 신뢰할 수 있는 항법을 달성하는 데 필수적임을 명확히 보여준다.

자율주행 시스템은 실제 환경에서 다양한 불확실성에 직면하며, 그중 상당수는 지도에서 표현하기 어렵다. 그중에서도 적설(積雪)은 시간이 지남에 따라 형태와 부피가 점진적으로 변화한다는 점에서 고유한 과제를 제기한다. 적설이 지도에 포함되는 경우, 두 가지 주요 문제가 발생한다. 첫째, 장기간 주행 동안, 적설이 녹는 과정에서 실제 환경과 지도에 반영된 환경 간의 불일치가 지역화 성능을 크게 저하시킬 수 있다. 둘째, 지도에 대량의 적설이 포함되면 세션 간 등록 오류가 발생하여 정확한 지도 업데이트를 방해할 수 있다. 이러한 문제를 해결하기 위해, 우리는 눈 덮인 환경을 전제로 한 특화 매핑 전략을 제안한다. 제안 방법은 먼저 딥러닝 기반 접근을 통해 적설을 탐지하고 제거한다. 그 후 눈이 없는 데이터를 지도 업데이트에 활용하며, 이어서 적설로 인해 가려졌던 지면 정보를 복원한다. 제안 방법의 효과는 실제 눈 덮인 환경에서 수집한 데이터를 통해 검증한다. 실험 결과, 제안 방법은 적설 탐지에서 IoU 78.6%를 달성하였고, 지도 정합 오차는 평균 12.5%(RMSE) 및 15.6%(Chamfer Distance)만큼 감소시켜 지도 품질을 유지하고 눈 덮인 환경에서 장기적인 자율주행을 가능하게 한다.

장착형 센서를 이용한 차량 위치추정은 자율주행차와 도로 지도화 등 다양한 응용 분야에서 필수적인 기술이다. 저가형 센서의 융합을 통해 높은 위치 정확도를 달성하는 문제는 상당한 관심을 받고 있다. 최근에는 다수의 차량으로부터 수집된 군집(크라우드소싱) 데이터에 기반한 응용이 큰 주목을 받았다. 표준 차량에 저가의 온보드 센서를 장착하면, 광범위한 도로 네트워크에서 저비용으로 여러 번의 주행 데이터를 수집할 수 있다는 장점이 있다. 이러한 차량 궤적과 도로 관측 정보는 교통 조사, 도로 점검, 지도화에 활용될 수 있다. 그러나 저가 장치로부터 얻어진 데이터는 매우 부정확할 가능성이 크다. 도시 도로는 고속도로와 달리 복잡한 도로 구조와 건물로 인한 GNSS 신호 차폐가 흔하다. 본 연구는 도시 도로에서 수집된 대량의 군집 데이터(크라우드소싱 데이터)를 이용하여 신뢰할 수 있는 차량 위치추정 방법을 제안한다. 제안된 위치추정 방법은 데이터의 높은 부정확성, 도로 구조의 복잡성, 그리고 환경 변화를 반영하는 고정밀(HD) 지도(맵)의 부분적 활용을 고려하여 설계되었다. 센서 데이터의 높은 부정확성은 위치추정의 신뢰성에 영향을 미친다. 따라서 제안된 방법에는 추정된 차량 자세(localized vehicle poses)에 대한 신뢰도 평가가 포함된다. 제안된 방법의 성능은 한국 서울에서 운행하는 버스로부터 수집된 데이터를 사용하여 평가하였다. 평가는 HD 지도(맵) 제작 후 18개월이 지난 시점에 수집된 데이터를 이용하였다.

전통적인 다중 에이전트 경로 찾기(Multi-Agent Path Finding, MAPF) 문제에서는 환경을 보통 격자 그래프로 표현한다. 그러나 연속 시간 영역에서의 높은 계산 비용으로 인해 최근 연구에서는 로드맵 그래프를 사용해 왔다. 본 연구는 로드맵 그래프를 생성하는 서로 다른 방법이 경로 계획에 미치는 영향을 평가한다. 공장과 창고와 같은 정적 환경에서의 시뮬레이션을 통해, 각 방법의 특성에 따라 성능 사이에 균형이 있음을 관찰하였다. 특히 그래프 탐색에서 회전 비용을 간과하면 경로 비용이 현저히 더 높아질 수 있다. 이러한 통찰을 바탕으로, 우리는 경로 계획의 효율을 현저히 향상시키는 그래프 생성 기법을 고안하였다.

이동 로봇의 안전하고 효율적인 항법을 달성하기 위해서는 로봇의 환경 기하학과 운동역학적 제약을 모두 고려하는 것이 필수적이다. 본 연구에서는 Dual-Tree RRT (DT-RRT)를 기반으로 차륜형(자동차형) 로봇을 위한 궤적 계획기(trajectory planner)를 제안한다. DT-RRT는 로봇의 운동역학적 제약 하에서 빠르게 성장하는 궤적을 생성하기 위해 두 개의 트리 구조를 활용한다. 차륜형 로봇을 위한 국소 궤적 생성기(local trajectory generator)를 새로 설계하였다. 제안된 부모 노드 탐색 방식은 복잡한 환경에서 안전한 궤적을 효율적으로 생성할 수 있게 한다. 제시된 시뮬레이션 결과는 다양한 환경에서 본 궤적 계획기의 유용성과 장점을 명확히 보여준다.

야외 환경에서 작동하는 이동 로봇은 서로 다른 난이도를 갖는 다양한 지형을 주행하는 데 있어 어려움에 직면한다. 따라서 주행 가능성(traversability) 추정은 안전하고 효율적인 로봇 내비게이션을 위해 필수적이다. 현재의 접근법들은 로봇의 주행 경험을 활용하여 자기지도 방식으로 주행 가능성을 학습한다. 그러나 많은 실제 적용 상황에서 로봇에게 충분하고 다양한 경험을 제공하는 일은 어렵다. 본 논문에서는 제한된 사전 경험을 바탕으로 도전적인 지형에 적응하는 자기지도 주행 가능성 학습 방법을 제안한다. 핵심 요소 중 하나는 위험에 민감한 접근(risk-sensitive approach)을 사용하여 희소하지만 고위험인 지형에 대한 우선 학습을 가능하게 하는 것이다. 이를 위해 위험을 인지하는 인스턴스 가중치(risk-aware instance weighting) 기법을 통해 신경망을 학습한다. 또 다른 핵심 요소는 자기훈련(self-training) 방식에 기반하여 주행 가능성 준-라벨(pseudo-labels)을 활용하는 것이다. 제안된 신뢰도 정규화(confidence-regularized) 자기훈련은 고품질 준-라벨을 생성함으로써 경험하지 못한 지형에 대한 신뢰할 수 있는 데이터 증강을 가능하게 한다. 제안 방법의 효과는 구조화된 도시 환경부터 복잡하고 거친 지형에 이르기까지 광범위한 실제 환경 실험을 통해 검증되었다.

자율 이동 로봇에서 정확하고 견고한 위치 현지화(localization)는 필수적이다. Light Detection and Ranging(LiDAR) 센서를 기반으로 한 맵 매칭(map matching)은 로봇의 전역(global) 위치를 추정하기 위해 널리 채택되어 왔다. 그러나 환경이 변화하거나 충분한 특징(features)이 제공되지 않을 때 맵 매칭 성능이 저하될 수 있다. 부정확한 맵 매칭 자세(poses)를 현지화(localization)에 무분별하게 통합하면 자세 추정(pose estimation)의 신뢰성이 크게 감소할 수 있다. 본 논문은 맵 매칭에 기반한 견고한 LiDAR 기반 위치 현지화 방법을 개발하는 것을 목표로 한다. 우리는 맵 매칭 자세의 불확실성(uncertainty)으로부터 계산되는 적절한 가중치(weights)를 결정하는 데에 초점을 둔다. 맵 매칭 자세의 불확실성은 자세에 대한 확률분포(probability distribution)로부터 추정한다. 우리는 확률분포를 도출하기 위해 정규분포 변환(normal distribution transform) 맵을 활용한다. 인자 그래프(factor graph)를 사용하여 맵 매칭 자세, LiDAR 관성 항법 오도메트리(LiDAR-inertial odometry), 그리고 전역 항법 위성 시스템(global navigation satellite system) 정보를 결합한다. 실험적 검증은 대학 캠퍼스의 야외 환경에서 변화하거나 동적인 환경을 포함하는 서로 다른 3가지 시나리오에 대해 성공적으로 수행되었다. 제안한 방법의 성능을 세 가지 LiDAR 기반 위치 현지화 방법과 비교하였다. 실험 결과는 다양한 야외 환경에서 맵 매칭 자세가 부정확하더라도 견고한 위치 현지화 성능을 달성할 수 있음을 보여준다. 실험 영상은 https://youtu.be/L6p8gwxn4ak 에서 확인할 수 있다.

자율주행 모바일 로봇은 야외 배송 서비스에서 사용되어 왔다. 배송 로봇은 동적인 장애물과 다양한 환경 조건에 대응해야 한다. 실내 적용을 위한 여러 성공적인 기술적 해결책이 존재함에도 불구하고, 야외 환경에서는 여전히 많은 미해결 문제가 남아 있다. 본 연구에서는 캠퍼스 배송 로봇 개발을 저해하는 세 가지 기술적 과제에 초점을 맞춘다. 첫 번째 과제는 다양한 동적 야외 환경에서의 견고한 위치추정이다. 라이더 및 Global Navigation Satellite System (GNSS) 센서를 사용하여 얻은 위치추정 결과는 상호 보완적인 장점과 단점을 보인다. 제안하는 위치추정 전략은 다중 센서로부터의 정보를 효율적으로 결합한다. 두 번째 과제는 통과 가능한 영역의 검출을 기반으로 한 안전한 항법이다. 제시된 지형 통과가능성 분석은 명확하고 실시간인 양(positive) 및 음(negative) 장애물 정보를 제공한다. 세 번째 과제는 충돌 또는 데드락의 위험을 줄이기 위해 효과적인 경로 계획 전략이 필요하다는 점이다. 우리는 지도에 나타난 지역의 동적 장애물에 대한 출현 이력을 수집하였다. 그 결과로 생성된 경로는 혼잡한 구역을 피하도록 신중하게 작성되었다. 실험적 검증은 고려대학교 캠퍼스에서 성공적으로 수행되었다. 제시된 결과는 제안된 방법들이 동적인 실제 환경에서 안전하고 신뢰할 수 있는 항법을 달성하는 데 필수적임을 명확히 보여준다.

3차원 라이트 디텍션 앤 레이징(LiDAR) 센서는 정확하고 견고하며 풍부한 기하학적 정보를 제공한다는 점에서 자율 주행 분야에서 큰 주목을 받아왔다. 자율주행 차량은 다수의 상용 저가 3차원 LiDAR가 존재하므로, 일반적으로 여러 개의 3D LiDAR를 장착한다. 다중 LiDAR 센서의 외부 파라미터(Extrinsic) 캘리브레이션은 일관된 기하학적 정보를 얻기 위해 필수적이다. 본 논문은 평면 물체(plane objects)를 이용하여 여러 3D LiDAR 센서의 외부 파라미터 캘리브레이션을 수행하기 위한 체계적인 절차를 제시한다. LiDAR 센서들의 공통 시야(common field of view) 내에 최소 세 개의 독립적인 평면이 필요하다. 이러한 조건을 만족하는 평면은 실내외 환경에서 바닥, 벽, 또는 기둥과 같은 대상에서 쉽게 찾을 수 있다. 따라서 제안된 방법은 인공 캘리브레이션 오브젝트를 사용하는 것과 같은 환경의 수정이 필요하지 않다. 다중 LiDAR는 일반적으로 사각지대를 줄이기 위해 서로 다른 시점을 가진다. 이러한 상황은 기존의 등록(registration) 알고리즘을 이용한 외부 파라미터 캘리브레이션의 난이도를 높인다. 우리는 대응점(correspondences)을 알 수 없는 경우에 대해 평면 등록(plane registration) 방법을 제안한다. 제안된 등록 기법을 통해 전체 캘리브레이션 과정을 손쉽게 자동화할 수 있다. 제시된 실험 결과는 본 방법이 기존의 점군(point cloud) 등록 방법보다 더 정확한 외부 파라미터를 산출함을 명확히 보여준다.