불확실성 인지 자율주행 내비게이션: 경로계획과 주행가능영역 추정 연구

Uncertainty-Aware Mobile Robot Navigation: Trajectory Planning and Traversability Estimation

연구 내용

야외 환경의 동적 장애물과 지형 변화를 고려하여 LiDAR 기반 불확실성 추정, 주행가능영역 학습, 경로계획을 결합해 안전한 이동을 수행하는 연구

본 연구는 야외 이동로봇이 직면하는 동적 장애물, 환경 변화, 센서 관측 오류를 함께 다루는 내비게이션 방법론을 다룹니다. 위치추정 단계에서는 지도 매칭 결과의 불확실성을 확률 분포로 모델링하고, factor graph를 통해 LiDAR-inertial odometry와 GNSS 정보를 결합하여 신뢰도 기반으로 안정적인 자세 추정을 수행합니다. 주행 단계에서는 지형의 traversability를 위험 민감 학습과 self-training 전략으로 보강하여 경험이 부족한 고위험 지형에서도 의사결정 근거를 확보합니다. 경로계획에서는 kinodynamic 제약을 반영한 RRT 계열 트리 탐색과, 다중 로봇 환경에서 그래프 표현이 성능에 미치는 영향까지 고려하여 계산 효율과 비용을 동시에 관리합니다. 결과적으로 안전성과 실시간성을 함께 만족하는 이동로봇 내비게이션 구성을 목표로 합니다.

관련 프로젝트

0건

연구 흐름

초기 연구는 차가운·복잡한 환경에서도 안전한 주행을 목표로 kinodynamic 제약을 고려한 CDT-RRT* 기반 궤적 생성 절차를 정립했습니다. 이후 야외 배송 로봇을 대상으로 센서 조합을 통한 견고한 위치추정과, traversable region을 근거로 한 안전 내비게이션 구조로 확장했습니다. 2024년에는 LiDAR 기반 지도 매칭에서 발생하는 부정확한 자세가 전체 추정 신뢰도를 저하시키는 문제를 해결하기 위해 불확실성 기반 가중치 설계와 factor graph 결합을 도입했습니다. 동시에 경험이 제한된 환경에서도 주행가능영역을 학습할 수 있도록 risk-aware self-training 및 pseudo-label 정규화 전략을 적용하며 학습-기반 내비게이션을 심화했습니다. 최근에는 다중 에이전트 경로문제에서 그래프 표현이 경로 비용에 미치는 영향까지 분석하며 의사결정 파이프라인의 구성 요소를 정교화했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

야외 배송 이동로봇 내비게이션
대학 캠퍼스 자율주행 로봇 경로 생성
동적 장애물 회피용 실시간 계획기
위험 기반 지형 적응형 주행제어
지도 매칭 불확실성 보정 모듈
다중 로봇 충돌 회피 및 동시 경로계획
이종 센서 융합 위치추정 프레임워크
자율이송 물류 이동체 주행 안정화
고위험 지형 데이터 효율 학습
자율주행 검증용 시나리오 생성