This paper considers the presence of prolonged occlusions on navigation sensors due to dust, smudges, soils, etc. Such uncontrollable occlusions often cause lower visibility as well as higher uncertainty that require considerably sophisticated behavior. To secure visibility (i.e., confidence about the world), we propose a confidence-based navigation method that encourages the robot to explore the uncertain region around the robot maximizing its local confidence. To effectively extract features from the variable size of sensor occlusions, we adopt a point-cloud based representation network. Our method returns a resilient navigation policy via deep reinforcement learning, autonomously avoiding collisions under sensor occlusions while reaching a goal. We evaluate our method in simulated and real-world environments with either static or dynamic obstacles under various sensor-occlusion scenarios. The experimental result shows that our method outperforms baseline methods under the highly occurring sensor occlusion, and achieves maximum 90% and 80% success rates in the tested static and dynamic environments, respectively.
본 논문에서는 먼지, 얼룩, 흙 등으로 인해 주행 센서에 장기간 영향을 끼치는 폐색 상황을 다룬다. 이러한 제어할 수 없는 폐색은 흔히 상당히 정교한 동작을 해야 하는 높은 불확실성을 일으킬 뿐만 아니라 낮은 가시성을 초래한다. 가시성(즉, 세상에 대한 신뢰도)을 확보하기 위해 본 연구는 로봇이 주변의 불확실한 영역을 탐색하도록 장려하여 주변의 신뢰도를 최대화하도록 하는 신뢰 기반 주행 기법을 제안한다. 또한 가변적인 크기의 센서 폐색에서 특징을 효과적으로 추출하기 위해 제안한 기법은 점 구름 기반의 네트워크 구조를 채택한다. 본 기법은 심층 강화학습을 통해 유연한 주행 정책을 학습하여 센서 폐색 하에서도 목적지에 도달하는 동안 자율적으로 충돌을 회피한다. 우리는 다양한 센서 폐색 하에서 정적, 동적인 장애물이 존재하는 시뮬레이션 및 실제 환경에서 제안한 방법을 평가했다. 실험 결과, 제안한 방식은 극심한 센서 폐색 하에서도 비교군을 뛰어넘는 성능을 보였고, 정적, 동적인 환경에서 각각 최대 90%, 80%의 성공률을 보였다.
