DARPA LAGR 프로그램

2004년부터 2008년까지 실시된 LAGR(지상 차량에 적용되는 학습) 프로그램은 무인 로봇 차량(UGV)의 자율적 인지 기반 오프로드 내비게이션의 발전을 가속화하는 것을 목표로 하고 있다.LAGR은 미국 국방부의 조사 기관인 DARPA에서 자금을 지원받았다.

이력 및 배경

모바일 로봇(예: Shakey)은 1960년대부터 존재해 왔지만, 아웃도어, 오프로드, 불규칙하고 장애물이 많은 지형에서 스스로 길을 찾을 수 있는 로봇을 만드는 데 있어 진도가 느렸다.사실 ^[1]진척도를 측정하기 위한 명확한 지표는 없었다.오프로드 기능에 대한 기본적인 이해가 DARPA Percept를 통해 나타나기 시작했습니다.또는 독립 연구팀이 광범위한 경유지에 걸쳐 고정된 코스에서 평균 속도와 필요한 오퍼레이터 개입 횟수를 측정하는 미연습 정부 테스트에서 로봇 차량을 배치하는 프로그램.이러한 테스트를 통해 오프로드 내비게이션의 극한 난관이 드러났습니다.퍼셉션과 함께OR 차량에는 21세기 초의 최첨단 센서와 알고리즘이 탑재되어 있었습니다.그 인식 기술의 범위가 한정되어 있기 때문에, 그 차량은 자연의 막다른 골목에 갇히게 되었습니다.게다가, 그들은 미리 준비된 행동에 의존하기 때문에 예상치 못한 상황에 적응할 수 없었다.그 결과 장애물이 최소화되거나 비포장 도로를 따라 기본적으로 개방된 지형을 제외하고 Percept는OR 차량은 운전자의 반복적인 개입 없이 항행할 수 없었습니다.

LAGR 프로그램은 Percept에서 시작된 방법론을 기반으로 설계되었습니다.또는 Percept에 의해 드러나는 기술적 문제를 극복하는 방법을 모색하고 있습니다.OR 테스트

LAGR 목표

LAGR의 주요 목표는 UGV의 오프 내비게이션의 진행을 가속화하는 것이었다.또한, 시너지 효과가 높은 목표 (1) 비구조화 환경에서 작동하는 자율 로봇의 진척도를 측정하기 위한 벤치마킹 방법론의 확립 (2) 기계 시력 향상 및 장기 지각 가능 (3) UGV 연구에 기여할 수 있는 기관 및 개인 수 증가 등이 포함되었다.챠

LAGR 프로그램의 구조와 근거

LAGR 프로그램은 새로운 하드웨어보다는 로봇의 지각과 제어를 위한 새로운 과학 개발에 초점을 맞추도록 설계되었다.따라서, 경쟁 팀의 일원이었던 LAGR 연구자들에게 공급될 동일하고 비교적 단순한 로봇군을 만들기로 결정되어 알고리즘 개발에 전념할 수 있게 되었다.각 팀에게는 표준 디자인의 로봇 두 대가 주어졌다.그들은 이 로봇들에 대한 새로운 소프트웨어를 개발했고, 그 코드를 정부 테스트 팀에 보냈고, 그 후 다양한 테스트 코스에서 정부 로봇에 그 코드를 테스트했다.이러한 코스는 미국 전역에 위치하여 이전에는 팀에게 알려지지 않았습니다.이와 같이 모든 팀의 코드를 본질적으로 동일한 환경에서 테스트할 수 있습니다.초기 시작 기간 후 코드 개발/테스트 사이클을 매월 1회 정도 반복하였습니다.

이 표준 로봇은 Carnegie Mellon University National Robotics Engineering Center(CMU NREC) 공식 웹사이트에 의해 설계 및 제작되었습니다.차량의 컴퓨터에는 모듈러형 "기준" 인식 및 내비게이션 시스템이 사전 탑재되어 있으며 이는 기본적으로 CMU NREC가 Percept를 위해 개발한 것과 동일한 시스템입니다.LAGR의 시작 시점에 최첨단 기술을 대표하는 OR 프로그램으로 간주되었습니다.베이스라인 시스템의 모듈러 특성으로 인해 연구자들은 베이스라인 코드의 일부를 자체 모듈로 교체할 수 있었고, 내비게이션 시스템 전체를 처음부터 만들 필요 없이 완전한 작동 시스템을 유지할 수 있었습니다.따라서, 예를 들어, 그들은 그들 자신의 장애물 탐지 모듈의 성능을 베이스라인 코드의 성능과 비교하고, 다른 모든 것을 고정시킬 수 있었습니다.베이스라인 코드는 고정 레퍼런스로서도 기능합니다.어느 환경에서나 프로그램의 어느 시점에서나 팀의 코드를 베이스라인 코드와 비교할 수 있습니다.이 빠른 사이클에 의해 정부 팀과 연주자 팀은 피드백을 신속하게 얻을 수 있었고, 정부 팀은 특정 인식 태스크에서 연주자에게 도전장을 내밀고, 연주자의 현재 능력에 도전하지만 압도하지는 않는 테스트 코스를 설계할 수 있었습니다.팀들은 모든 테스트에 대해 새로운 코드를 제출할 필요가 없었지만, 보통은 그렇게 했습니다.이러한 여유에도 불구하고, 일부 팀은 빠른 테스트 주기가 장기적인 진행에 방해가 된다는 것을 알았고 테스트 간격을 더 길게 하는 것을 선호했을 것이다.

단계 II로 진행하기 위해 각 팀은 정부 테스트 단계 I의 마지막 3개 테스트에서 팀의 코드를 실행하는 로봇이 원래 기준선 코드를 실행하는 차량보다 평균 10% 이상 더 빠를 수 있도록 기준선 코드를 수정해야 했습니다.이 다소 온건한 "Go/No Go" 메트릭은 팀이 프로그램의 첫 18개월 동안 완전히 개발되지 않을 수 있는 위험하지만 유망한 접근방식을 선택할 수 있도록 하기 위해 선택되었습니다.8개 팀 모두 이 메트릭을 달성했으며, 일부 팀은 단계 2의 목표였던 후속 테스트에서 기준 속도의 2배를 더 많이 기록했다.Phase I Go/No Go 메트릭은 Phase II의 제한된 슬롯 수만큼 서로 완료되지 않은 것입니다.즉, 8개부터0개까지 임의의 수의 팀이 등급을 받을 수 있습니다.DARPA의 이 전략은 팀 간의 협력과 코드 공유를 장려하기 위한 것이었습니다.

LAGR 팀

LAGR의 첫 18개월인 1단계에서 8개 팀이 공연자로 선발되었습니다.이 팀은 Applied Perception(PI 수석 조사자 Mark Ollis), 조지아 공대(PI Tucker Balch), 제트 추진 연구소(PI Larry Matties), Net-Scale Technologies(PI Urs Muller), NIST(PI James Albus Muller), Starpian University(PI)의 팀입니다.).

Stanford 팀은 DARPA Grand Challenge에 전념하기 위해 단계 1의 마지막에 사임했습니다.그 대신 콜로라도 대학교 볼더(PI Greg Grudic)의 팀이 참가했습니다.또한 2단계에서 NIST 팀은 경기 참가를 중단하고 대신 각 팀의 최고의 소프트웨어 요소를 단일 시스템에 조립하는 데 집중했습니다.Roger Bostelman은 그 노력의 PI가 되었다.

LAGR 차량

슈퍼마켓 쇼핑 카트 크기의 LAGR 차량은 제어가 간단하도록 설계되었다.(동반 DARPA 프로그램인 Learning Locomotion은 ^[4]복잡한 모터 제어를 다루었습니다.)배터리로 구동되며 전방에 2개의 독립 구동 휠체어 모터가 있고 후방에 2개의 캐스터 휠이 있습니다.앞바퀴가 동일한 방향으로 회전하면 로봇이 전진 또는 후진으로 구동되었습니다.이 바퀴들이 반대 방향으로 움직였을 때, 로봇은 방향을 틀었다.

LAGR 차량의 비용은 약 30,000달러이므로, 전통적으로 DARPA 로봇 프로그램에 참여했던 연구자들의 분야를 확장하는 다수의 팀에 비행대를 제작하여 보급할 수 있었습니다.이 차량의 최고 속도는 약 3마일/시이고 무게는 약 100kg으로 기존 무인 지상 차량 프로그램에 사용된 차량에 비해 안전 위험이 훨씬 줄어들어 각 팀이 로봇을 관리하는 데 필요한 예산이 더욱 절감되었습니다.

그럼에도 불구하고 LAGR 차량은 정교한 기계였다.그들의 센서 세트에는 스테레오 카메라 2쌍, 가속도계, 범퍼 센서, 휠 인코더, GPS가 포함되어 있었다.이 차량에는 사용자가 프로그래밍할 수 있는 컴퓨터도 3대 있었다.

과학적 결과

이 프로그램의 초석은 학습된 행동을 로봇에 접목시키는 것이었다.또한, 프로그램은 장거리 장면 분석을 수행하기 위해 수동 광학 시스템을 사용했습니다.

비정형 오프로드 환경에서 UGV 내비게이션 테스트를 하는 것은 어렵기 때문에 진행 상황을 정확하고 객관적으로 측정하는 것은 어려운 과제였습니다.LAGR에는 퍼포먼스의 절대적인 측정치가 정의되어 있지 않지만, 특정 코스에서 팀의 코드를 베이스라인 코드의 코드와 비교함으로써 해당 환경에서 진척이 이루어지고 있는지 여부를 알 수 있었습니다.프로그램의 종료까지, 테스트 결과, 많은 연주자들이 퍼포먼스에 있어서 비약적인 발전을 이루었습니다.특히, 3배 증가하여 유용한 시각적 지각이 가능한 평균 자율 속도는 100m까지 ^[5]확장되었다.

LAGR은 시각 인식의 유용한 범위를 확장하는 데 성공했지만, 이는 주로 픽셀 또는 패치 기반 색상 또는 텍스처 분석에 의해 수행되었습니다.개체 인식이 직접 처리되지 않았습니다.

LAGR 차량은 WAAS GPS를 탑재하고 있었지만, 차량의 폭까지 위치가 결정되지 않았기 때문에 GPS가 계속 표류하고 있기 때문에 로봇이 이전에 횡단한 지역의 장애물 지도를 시스템이 재사용하는 것은 어려웠다.숲의 덮개가 있는 경우에는 특히 표류가 심했다.몇몇 팀은 이러한 표류를 근본적으로 제거하는 시각적 주행 기록계 알고리즘을 개발했다.

또한 LAGR은 소규모 팀이 만든 가치 있는 기술 덩어리가 더 큰 커뮤니티에서 인식되고 채택될 수 있도록 성과자 수를 확대하고 대규모 시스템 통합의 필요성을 없애는 것을 목표로 하고 있었습니다.

일부 팀은 인간 교사와 함께 학습하는 빠른 방법을 개발했습니다. 즉, 인간이 로봇을 조작하여 "안전" 및 "안전하지 않은" 영역을 지정하는 신호를 제공할 수 있고 로봇은 동일한 정책으로 빠르게 적응하고 탐색할 수 있습니다.이는 로봇이 덤불을 피하면서 죽은 잡초 위를 공격적으로 운전하도록 교육받거나 소심하고 깎은 길에서만 운전하도록 교육받았을 때 입증되었다.

LAGR은 DARPA 무인 지상 전투 차량 – Percept와 함께 관리되었습니다.또는 통합 프로그램(UPI) CMU NREC UPI 웹사이트.UPI는 고도의 인식과 극도의 이동성을 겸비했다.최고의 스테레오 알고리즘과 LAGR의 시각적 주행 기록계는 UPI로 이식되었습니다.또한 LAGR PI와 UPI 팀 간의 상호작용을 통해 UPI 코드베이스에 적응 기술을 통합하고 UPI "크러셔" 로봇의 성능을 향상시켰다.

프로그램 관리

LAGR은 DARPA 정보처리 테크놀로지 오피스에서 관리되었습니다.Larry Jackel은 이 프로그램을 구상하여 2004년부터 2007년까지 프로그램 매니저를 맡았습니다.Eric Krotkov, Michael Perschbacher 및 James Pippine은 LAGR의 개념과 관리에 기여했습니다.Charles Sullivan은 LAGR 테스트에서 중요한 역할을 했습니다.Tom Wagner는 2007년 중반부터 2008년 초까지 프로그램 매니저였습니다.

레퍼런스