본 연구는 Dynamic Window Approach(DWA) 알고리즘의 국소 최소값 문제를 다룬다. 선행 환경 지식을 통합하지 않는 기존의 DWA는 U자형 장애물이 있는 환경과 같은 복잡한 시나리오에서 목표 도달 성능이 저하되는 경우가 흔하며, 목표에 도달하더라도 계획 시간이 상대적으로 길 수 있다. 이러한 한계를 극복하기 위해, 우리는 Large Language Models(LLMs)를 통합한 개선된 DWA를 제안한다. LLM의 추론 능력을 활용하여 선행 환경 정보를 해석하고, 적절한 중간 경유지를 생성한다. 2D 격자 환경과 3D 시뮬레이션 플랫폼 모두에서의 실험 결과는 제안된 LLM 기반 하이브리드 방법이 기존 DWA에 비해 U자형 장애물 시나리오에서 더 높은 효율과 더 짧은 목표 도달 시간을 달성함을 보여준다. 이러한 결과는 복잡한 환경에서 내비게이션 성능을 향상시키기 위해 LLM의 추론 능력과 DWA를 결합하는 접근의 효과성을 강조한다. 동영상 시연은 https://youtu.be/Otn53HS4KC4 에서 제공된다.

인간의 개입 없이 장기간 무인 지상차량(Unmanned Ground Vehicles, UGV)의 현장 운용을 보장하기 위해서는 자율 충전 기능이 필수적이다. 본 논문은 UGV가 경로 계획을 수행하고 충전 스테이션과 정렬하며, 외부 표식에 의존하지 않고 6-자유도(6-DoF) 매니퓰레이터를 이용해 충전 포트를 탐색하여 연결할 수 있도록 하는 완전 자율 충전 시스템을 제시한다. 본 시스템은 RGB-D 데이터에 대한 기하학적 추론과 비전-언어 탐지를 결합하여, 표식(fiducial marker)이나 작업 특화 재학습 없이도 완전한 6-DoF 자세를 추정함으로써 서로 다른 도킹 환경 전반에서 적응성을 향상시킨다. 구체적으로, 개방 어휘(open-vocabulary) 객체 검출기 YOLO-World를 RGB 이미지에 적용하여 도킹 포트를 식별하고, 심도 맵(depth map)에서 해당 3D 위치를 선택한다. 방향을 추정하기 위해, 주변 점군(point cloud)을 군집화하여 객체 형상을 추출하고, 그로부터 주(principal axis)를 계산함으로써 표식이나 작업 특화 재학습에 의존하지 않는, 완전히 일반화 가능한 표식-무도킹(marker-free) 파이프라인을 구현한다. 이렇게 얻은 6-DoF 자세는 역기구학(inverse kinematics)을 통해 실현 가능한 매니퓰레이터 구성(configuration)을 계산하는 데 사용된다. 제안된 파이프라인은 ROS 기반 프레임워크에 통합되어 수동 감독 없이도 비정형 야외 환경에서 정밀 도킹을 가능하게 한다. 실험 결과, 실제 환경 조건에서 시스템의 강건성과 정확성이 입증되었으며, 도킹 성공률 90%, 평균 총 작동 시간 34.4 s를 달성하였다. • UGV와 매니퓰레이터 협력을 위한 제로샷(zero-shot) 도킹 프레임워크를 제안한다. • 개방 어휘 객체 인식을 위한 YOLO-World를 통합한다. • 융합된 비전과 기하 정보를 사용하여 실시간 6-DoF 자세 추정을 달성한다. • 실제 로봇을 이용한 물리 실험에서 90% 이상의 도킹 성공률을 보인다. • 모듈형 파이프라인은 다중 로봇 협업을 위한 확장 가능성을 제공한다.