Core Concepts
제어 장벽 함수 기반 신경 제어기(CBF-INC)를 활용하여 샘플링 기반 동작 계획 알고리즘의 효율성과 안전성을 향상시킴
Abstract
이 연구는 고차원 로봇 매니퓰레이터의 안전하고 효율적인 동작 계획을 위해 제어 장벽 함수 기반 신경 제어기(CBF-INC)를 제안한다.
CBF-INC는 두 가지 입력 모델을 다룬다: 상태 기반(signed distance) 입력과 LiDAR 기반 입력. 상태 기반 입력의 경우 로봇 자체 충돌 회피를 학습하고, LiDAR 기반 입력의 경우 환경 정보를 활용한다.
CBF-INC를 샘플링 기반 동작 계획 알고리즘 RRT에 통합하여 CBF-INC-RRT 프레임워크를 제안한다. 이를 통해 안전한 탐색과 효율적인 경로 생성을 달성한다.
4자유도 Dobot Magician과 7자유도 Franka Panda 로봇을 대상으로 실험을 수행한다. CBF-INC-RRT는 기존 RRT 대비 성공률을 14% 높이고, 탐색 노드 수를 30% 줄일 수 있다. LiDAR 입력 환경에서도 기존 방법 대비 10% 성공률 향상을 보인다.
실제 Franka Panda 로봇에서의 실험을 통해 제안 방법의 실용성을 검증한다.
Stats
제안 방법 CBF-INC-RRT는 기존 RRT 대비 성공률을 14% 높일 수 있다.
CBF-INC-RRT는 기존 RRT 대비 탐색 노드 수를 30% 줄일 수 있다.
LiDAR 입력 환경에서 CBF-INC-RRT는 기존 방법 대비 성공률을 10% 향상시킬 수 있다.