지상 차량에 적용되는 학습: 컴퓨터 비전 학습을 통한 지상 차량 성능 향상

By Fouad Sabry

지상 차량에 적용되는 학습이란 무엇입니까?

2004년부터 2008년까지 운영된 지상 차량에 적용되는 학습 (LAGR) 계획은 로봇 무인 지상 차량(UGV)의 자율적, 인식 기반 오프로드 탐색 개발을 가속화할 목적으로 설계되었습니다. 미국 국방부 산하 연구 기관인 국방고등연구사업단 가 지상 차량에 적용되는 학습 에 자금을 지원했습니다.

당신이 얻을 수 있는 혜택

(I) 다음 주제에 대한 통찰력 및 검증:

1장: 국방고등연구사업단 지상 차량에 적용되는 학습 프로그램

2장: 국방고등연구사업단 

3장: 자율 로봇

4장: 군용 로봇

5장: 국방고등연구사업단 그랜드 챌린지

6장: 무인 지상 차량

7장: 유럽의 육상 로봇 실험

8장: 이동식 로봇

9장: 크러셔(로봇)

10장: 국립로봇공학센터

(II) 지상 차량에 적용되는 학습에 관한 대중의 주요 질문에 답합니다.

(III) 다양한 분야에서 지상 차량에 적용된 학습 사용에 대한 실제 사례.

이 책은 누구를 위한 책인가

전문가, 학부생 및 대학원생, 매니아, 취미생활자, 지상 차량에 적용되는 모든 종류의 학습에 대한 기본 지식이나 정보를 넘어서고 싶은 사람들.

• Language: 한국어
• Publisher: 10 억 지식이 걸립니다 [Korean]
• Release date: May 5, 2024

Book preview

1장: DARPA LAGR 프로그램

2004년부터 2008년까지 지속된 LAGR(Learning Applied to Ground Vehicles) 프로그램은 로봇 무인 지상 차량(UGV)에서 자율적이고 인식 기반의 오프로드 내비게이션을 촉진하는 것을 목표로 했습니다. 미국 국방부의 연구 기관인 DARPA는 LAGR을 지원했습니다.

모바일 로봇(예: Shakey)은 1960년대부터 존재해 왔지만 실외, 오프로드 및 수많은 장애물이 있는 지형을 이동할 수 있는 로봇 개발의 진전은 점진적이었습니다. 실제로 진행 상황을 모니터링하기 위한 정의된 기준이 없었습니다. 별도의 연구팀은 리허설을 거치지 않은 정부 테스트에서 로봇 자동차를 배치하여 넓은 간격의 웨이포인트가 있는 설정된 트랙을 따라 평균 속도와 필요한 운전자 개입 횟수를 모니터링했습니다. 이러한 테스트를 통해 오프로드 내비게이션과 관련된 엄청난 어려움이 드러났습니다. 21세기로 접어들면서 PerceptOR 차량에는 최첨단 센서와 알고리즘이 장착되었지만, 인식 기술의 제한된 범위로 인해 자연적인 막다른 골목에 갇히게 되었습니다. 또한 미리 결정된 행동에 의존하기 때문에 예상치 못한 사건에 적응하지 못했습니다. 장애물이 거의 없는 기본적으로 개방된 지형이나 비포장 도로를 제외하고는 PerceptOR 차량은 반복적이고 빈번한 운전자의 도움 없이는 탐색할 수 없었습니다.

LAGR 이니셔티브는 PerceptOR 테스트에서 나타난 기술적 문제를 해결하면서 PerceptOR 기술을 확장하는 것을 목표로 했습니다.

LAGR의 주요 목표는 UGV의 오프로드 내비게이션을 가속화하는 것이었습니다. 추가적인 시너지 효과 목표에는 (1) 구조화되지 않은 환경에서 작동하는 자율 로봇의 진행 상황을 측정하기 위한 벤치마킹 방법론 수립, (2) 머신 비전을 발전시켜 장거리 인식을 가능하게 하는 것, (3) 최첨단 UGV 연구에 기여할 수 있는 기관 및 개인의 수를 늘리는 것이 포함되었습니다.

LAGR 프로그램은 새로운 하드웨어에 초점을 맞추는 대신 로봇의 인식 및 제어를 위한 새로운 과학 개발을 강조하기 위한 것이었습니다. 따라서 경쟁 팀의 구성원인 LAGR 연구원들에게 알고리즘 개발에 집중할 수 있도록 동일하고 비교적 간단한 로봇을 제공하기로 결정했습니다. 각 팀에는 표준 설계의 로봇 두 대가 제공되었습니다. 그들은 이 로봇을 위한 새로운 소프트웨어를 만든 다음 코드를 정부 테스트 팀에 보냈고, 정부 테스트 팀은 여러 테스트 과정에서 정부 로봇에 대한 소프트웨어를 테스트했습니다. 이 코스는 미국 전역에 흩어져 있었고 이전에는 팀에게 알려지지 않았습니다. 이러한 방식으로 모든 팀의 코드를 거의 동일한 조건에서 테스트할 수 있습니다. 초기 출시 후 코드 개발/테스트 주기는 한 달에 한 번 정도 반복되었습니다.

카네기 멜론 대학교 국립 로봇 공학 센터 (CMU NREC)의 공식 웹 사이트에서 표준 로봇을 만들고 제작했습니다.

차량의 컴퓨터에는 CMU NREC가 PerceptOR 프로그램을 위해 만든 것과 본질적으로 동일한 시스템인 모듈식 Baseline 인식 및 내비게이션 시스템이 사전 로드되어 있었으며 LAGR이 시작될 때 최첨단을 대표하는 것으로 간주되었습니다.

Baseline 시스템의 모듈화 덕분에 연구원들은 Baseline 코드의 일부를 자체 모듈로 대체할 수 있었고 완전히 새로운 내비게이션 시스템을 개발하지 않고도 완전한 기능을 갖춘 내비게이션 시스템을 유지할 수 있었습니다.

예를 들어, 그들은 다른 모든 변수를 일정하게 유지하면서 자신의 장애물 감지 모듈의 성능을 기준 코드의 성능과 비교할 수 있었습니다.

또한 기준선 코드는 모든 소프트웨어 환경에서 언제든지 팀의 코드를 기준선 코드와 비교할 수 있는 지속적인 참조 역할을 했습니다.

이러한 빠른 주기는 정부 팀과 공연 팀에게 즉각적인 정보를 제공했으며, 정부 팀은 특정 인식 과제에서 연주자를 밀어붙이고 공연자의 현재 능력을 지배하지는 않지만 연주자에게 도전할 것으로 예상되는 난이도를 가진 시험 과정을 구축할 수 있었습니다.

각 테스트에서는 팀이 새 코드를 제출하도록 요구하지 않았지만 일반적으로 제출했습니다.

이러한 관용에도 불구하고 일부 팀은 빠른 테스트 주기가 장기적인 개발에 해롭다고 생각했고 테스트 사이에 더 긴 휴식 시간을 선호했습니다.

2단계로 진행하기 위해 각 팀은 최종 3개의 1단계 정부 테스트를 통과하기 위해 기준 코드를 수정해야 했으며, 평균적으로 팀의 코드를 실행하는 로봇은 원래 기준 코드를 실행하는 로봇보다 최소 10% 더 빨랐습니다.

이 다소 겸손한 Go/No Go 지표는 팀이 프로그램의 첫 18개월 동안 완전히 개발되지 않을 수 있는 위험하지만 잠재적인 기술을 선택할 수 있도록 하기 위해 선택되었습니다.

여덟 팀 모두 이 통계를 충족했으며, 2단계의 목표는 이후 테스트에서 베이스라인의 두 배 속도를 달성하는 것이었고 소수가 이를 달성했습니다.

1단계 진출/불합격 기준은 각 팀이 고정된 수의 2단계 슬롯을 놓고 경쟁하지 않도록 설계되었으며, 8개에서 0개까지 자격을 갖춘 모든 팀이 시험을 통과할 수 있습니다.

이 DARPA 방법은 팀 간의 협력과 코드 교환을 촉진하기 위한 것입니다.

LAGR의 첫 18개월인 1단계에서는 8개 팀이 성과자로 확인되었습니다. 이 팀들은 Applied Perception(PI Mark Ollis), Georgia Tech(PI Tucker Balch), Jet Propulsion Laboratory(PI Larry Matthies), Net-Scale Technologies(PI Uri Muller), NIST(PI James Albus), Stanford University(PI Sebastian Thrun), SRI International(PI Robert Bolles) 및 University of Pennsylvania(PI Daniel Lee)를 대표했습니다.

스탠포드 팀은 1단계가 끝날 무렵 DARPA 그랜드 챌린지를 진행하기 위해 떠났습니다. 콜로라도 대학교 볼더 팀(PI Greg Grudic)으로 대체되었습니다. 또한 2단계 동안 NIST 팀은 경쟁에서 물러나고 각 팀의 최고의 소프트웨어 구성 요소를 단일 솔루션으로 결합하는 데 집중했습니다. 로저 보스텔만(Roger Bostelman)이 이 노력의 리더가 되었다.

대략 식료품점 쇼핑 카트 크기인 LAGR 차량은 조작하기 쉽도록 설계되었습니다. 미국 국방고등연구계획국(DARPA)의 자매 이니셔티브인 Learning Locomotion은 정교한 모터 제어를 다루었습니다. 배터리로 구동되었으며 앞쪽에 독립적으로 구동되는 두 개의 휠체어 모터와 뒤쪽에 두 개의 캐스터 휠이 있습니다. 앞바퀴가 같은 방향으로 회전하면 로봇을 앞뒤로 추진할 수 있습니다. 이 바퀴가 다른 방향으로 추진될 때 로봇이 회전했습니다.

LAGR 차량의 가격은 30,000달러에 달하며, 이전에 DARPA 로봇 프로그램에 참여했던 연구원 풀을 확장하기 위해 여러 팀으로 분산할 수 있는 함대를 건설할 수 있었습니다. 이 차량의 최고 속도는 시속 약 3마일이고 무게는 100kg으로 비교적 적기 때문에 과거의 자율 지상 차량 이니셔티브에 사용된 차량에 비해 안전 위험이 현저히 낮았기 때문에 각 팀이 로봇을 처리하는 데 필요한 자금이 크게 줄었습니다.

그럼에도 불구하고 LAGR 차량은 고도로 발전된 기계였습니다. 그들의 센서 제품군은 두 세트의 스테레오 카메라, 가속도계, 범퍼 센서,