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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.