In this thesis, we have considered the development of traversability estimation for a vehicle (or robot) in order for the robot to autonomously navigate in unrevealed environments. We take a self-supervised learning approach to estimate traversable region for reducing human supervision. Due to the fact that the characteristic of terrain is unrevealed, we aim to automatically build the traversability estimation model which can maintain and adapt to unknown and changing environments in any circumstance.
We first develop online positive learning framework for detecting traversable region in unstructured outdoor environment. To achieve this goal, we investigate the characteristics of environment by using two different types of sensors: camera and 3D laser scanner. We define robust and effective features as histograms that describe the color and geometric characteristics. In addition, we describe a novel approach to combine two different types of sensor data to reconstruct 3D scenes. This multi-sensor-based information is used for detecting traversable region in online positive learning framework.
We design a self-supervised learning framework for traversability estimation using proposed clustering method called incremental nonparametric Bayesian clustering (INBC). In the self-supervised learning framework, training samples are automatically labeled based on the outcome of the vehicle's interactions while moving certain terrain. These labeled training data represented by color and texture histograms are used as the input data in the online learning. With the labeled training data, INBC allows traversability assessment in real time and determines the number of clusters without any prior knowledge. This method effectively groups unknown regions with similar properties while a vehicle is in motion. The vehicle can be deployed to new environments by automatically adapting to changing environmental conditions.
Lastly, we extend the self-supervised learning framework to conditional random field (CRF) framework. Since the characteristic of self-supervised learning framework makes a robot explore hazardous areas for acquiring labeling data. To prevent a robot from failing, we develop a new approach of obstacle probability map construction. Based on traversable probability map from INBC, we combine two probability maps in augmented Multi-Scale CRF framework.
본 논문은 예측되지 않은 환경에서 무인 로봇의 자율 주행을 위한 주행 가능 영역 예측 기법을 제안하고 있다. 이를 위해 먼저 자가 학습 기법 기반의 학습체계를 제안하였고, 이를 통해 기존의 교사 학습 기반 방법론에 필수적으로 필요한 인간의 노력을 최소화하는 것이 가능해진다. 또한 예측되지 않은 환경에서의 자율 주행을 위해 필요한 주행 가능 영역 모델의 유지력과 적응력을 높이기 위해 새로운 모델을 제안하였다.
먼저 본 논문에서는 online positive 학습체계를 제안하였다. 이를 위해 카메라와 레이저 스캐너가 사용되었는데, 이때 두 센서의 특징을 하나로 통합하는 형태의 특징 히스토그램을 제안하였다. 그리고 색상 정보를 활용한 3차원 거리 데이터를 업샘플링하는 기술 또한 제안하였다.
다음으로는 점진적 비모수 클러스터링 기법을 제안하고, 자가 학습 기법과 연계된 자율 주행 가능 영역 판별 모델을 제안하였다. 자가 학습 기법 기반에서는 로봇이 학습에 필요한 내용을 스스로 생성하고 이를 활용해 예측을 하는 것이 가능하다. 따라서 점진적 비모수 클러스터링을 통해 이전에 지나온 영역에 대한 학습을 점진적, 자동적으로 해옴과 동시에 새로운 영역에 대해 주행 가능 여부를 판별 할 수 있게 되는 것이다.
마지막으로 이전에 제안한 내용들을 다중 스케일 조건부 무작위장과 연계하여 예측 가능한 영역의 정확도를 높이는 방법을 제안하였다. 이때 주행 가능 확률 지도와 장애물 확률 지도를 서로 다른 센서들로부터 생성하며, 이 두 지도를 효과적이고 정확하게 합치기 위해 다중 스케일 조건부 무작위장을 사용하게 된다.
본 논문에서 제안한 방법들은 인위적인 실험 데이터로만 결과를 했을 뿐만 아니라, 실제 환경 데이터를 통해 주행 가능한 영역을 판별하였다. 이때 정량적, 정성적 평가가 동시에 이루어 졌으며, 주행 가능 영역을 판별하는데 걸리는 시간 또한 함께 평가되었다.
