Core Concepts
실제 환경에서 수집된 불완전한 사과나무 포인트 클라우드 데이터를 시뮬레이션 기반 딥러닝 모델을 통해 완성하여, 정확한 가지 정보를 추출함으로써 로봇 가지치기의 정밀도와 효율성을 향상시킬 수 있다.
Abstract
이 연구는 로봇 가지치기를 위한 핵심 요구사항인 가지의 상세한 기하학적 및 토폴로지 정보 인식 문제를 다루었다. 농업 환경에서 수집된 포인트 클라우드 데이터는 다양한 제약으로 인해 불완전성을 보이는데, 이는 하류 로봇 가지치기 정확도를 제한한다.
이를 해결하기 위해 연구진은 시뮬레이션 기반 딥러닝 네트워크를 활용하여 포인트 클라우드 완성 및 스켈레톤화를 수행하였다. 이를 위해 Real2Sim 데이터 생성 파이프라인을 개발하여 실제 사과나무 데이터의 기하학적 및 토폴로지 정보를 정확하게 반영한 시뮬레이션 데이터를 생성하였다.
이렇게 생성된 시뮬레이션 데이터로 훈련된 딥러닝 모델은 실제 불완전한 가지 데이터에 대해 우수한 완성 및 스켈레톤화 성능을 보였다. 정량적 평가에서도 원본 불완전 데이터 대비 가지 직경 추정 오차는 75%, 가지 각도 추정 오차는 8% 감소하는 등 큰 성능 향상을 달성하였다. 이는 로봇 가지치기의 정밀도와 효율성 향상에 기여할 것으로 기대된다.
Stats
가지 직경 추정 오차(MAE)가 원본 데이터 대비 75% 감소
가지 각도 추정 오차(MAE)가 원본 데이터 대비 8% 감소