초록 ▼

◎ 연구개요
□ 최근 로봇제어분야에서는 모델기반 강화학습 (Model-Based Policy Search)을 이용한 로봇 및 무인이동체 실시간 제어에 대한 솔루션들이 제안되고 있으며, 본 연구에서는 불확실한 환경에서도 스스로 학습하고 획득된 정보를 이용하여 판단 및 제어를 수행할 수 있는 무인비행체 지능형에이전트 (Intelligent Agent)설계를 위하여 적응형궤도최적화(Adaptive Trajectory Optimization)기반 Guided Policy Search 강화학습(Reinforcement Learning)

◎ 연구개요
□ 최근 로봇제어분야에서는 모델기반 강화학습 (Model-Based Policy Search)을 이용한 로봇 및 무인이동체 실시간 제어에 대한 솔루션들이 제안되고 있으며, 본 연구에서는 불확실한 환경에서도 스스로 학습하고 획득된 정보를 이용하여 판단 및 제어를 수행할 수 있는 무인비행체 지능형에이전트 (Intelligent Agent)설계를 위하여 적응형궤도최적화(Adaptive Trajectory Optimization)기반 Guided Policy Search 강화학습(Reinforcement Learning) 기법을 제안함

□ 제안한 적응형궤적최적화 기반 Guided Policy Search(GPS) 강화학습 기법의 성능 검증
○ 제안된 강화학습 기법의 실시간 제어성능 검증을 위한 임베디드 알고리듬 개발 및 비행체 탑재
○ 적응형궤적최적화(Adaptive Trajectory Optimization) 기법은 외부 환경의 불확실성 또는 물리적 시스템 모델링 부정확성과 외부에서의 외란에 강건한 특성 검증을 위한 비행실험 플랫폼 설계
○ 최정 알고리듬의 비행체 탑제를 통한 비행실험 및 검증

◎ 연구 목표대비 연구결과
□ 알고리듬 설계 및 시뮬레이션 : 가상평면 기반 충돌회피 시뮬레이션
○ 드론 자율주행의 핵심기술인 충돌회피 기법으로 가상평면 기법 기반의 알고리듬을 설계
○ 자율주행의 경로계획 기법으로는 계획기반, 행동기반으로 나뉘며, 동적장애물 회피를 위해서는 행동기반 알고리듬을 채택
□ 알고리듬 설계 및 시뮬레이션 : 고장 강건성 실험
○ 스마트 드론에서 발생할 수 있는 각종 이상현상(Fail)은 너무나도 광범위하기 때문에 아래와 같이 Fail-Safety를 크게 구분할 수 있음
○ Passive Fail-Safety
○ Active Fail-Safety- Fault-tolerant 제어
□ 심층학습기반 자율비행 및 충돌회피 알고리듬 개발
○ 심층학습 기반 충돌회피 및 자율비행 개념도
○ 영상 기반 심층학습(Convolutional Neural Network, CNN) 모델 개발 (CNN 세부구조)
○ 영상분야에서 일반적으로 적용된 CNN 알고리듬을 충돌회피 알고리듬에 접목하여 설계
□ 알고리듬 개발 및 지상 시험 : 강인제어 및 충돌회피 지상 실험
○ 모델기반 적응형 강인제어기인 Adpative SMC를 ROS기반 구현 알고리듬 개발
○ SMC기법의 단점인 유한시간 내 오차수렴 문제 해결을 위해 슬라이딩 서피스를 갖지 않는 Fast terminal sliding mode기법 고안
○ Adaptive Sliding Mode Control과 Fast Terminal Sliding Mode Control을 위 딥러닝 기법에 접목하여 ROS기반 알고리듬 설계
○ 딥 러닝 기법 적용을 통한 드론의 충돌 조건에 대한 기계학습, Decision Making(의사 판단) 능력을 갖는 알고리듬 설계 및 지상시험 검증
□ 심층학습 기반 자율비행기술 성능 검증용 드론 플랫폼 개발
○ 심층학습(Deep Learning) 알고리듬 실시간 처리 및 자율항법을 위해 GPU기반 임베디드플랫폼과 외부 환경에 대한 3차원 센싱을 위해 RealSense센서 시스템을 적용을 통한 해법을 제시
□ 드론 실험환경 구축
○ 자동 수직이착륙과 Waypoint 항법에 대한 제어기 설계가 이루어져 있으며, 추가적 VICON 연구장비 구입으로 비행성능 테스트 플랫폼의 범위를 확장함
○ 통합 시뮬레이션 검증 : 고장진단, 강인제어, Deep-learning, 충돌회피 알고리듬의 통합 시뮬레이션 검증
□ 구현 및 적용 (Implementation)
○ 생성된 코드는 ARM Cortex R와 NVIDIA의 Jetson TX1 프로세서의 탑재를 통한 임베디드 프로세서의 설계 완료
○ 프로세서의 각 핀별 하드웨어/센서와의 연결을 통한 On-ground 테스트 벤치에서 시험
□ 성능 개선 (Performance Improvement): 반복 습득을 통한 에러 교정
○ 다양한 충돌가능 케이스를 계획하고, 환경조건을 다양하게 변화함으로써 가능한 모든 조건에 대한 적응을 할 수 있도록 비행능력 학습
○ 협소공간에서 기민한 제어가 이뤄지도록 실험, 강인한 제어성능에 대한 학습을 거쳐 제어성능 최대화
○ 강풍, 충돌, 고장 등 여러 조건에 대한 실험 학습 수행

◎ 연구개발결과의 중요성
□ 드론의 대중화와 함께 드론에 의한 사고율 또한 증가하고 있는 추세로, 복합적 비행환경에 대한 적응과 지능형 비행(항법,제어)의 성능 향상을 위해 아래의 기술적 문제를 해결
○ 시스템 내재적 고장 및 결함 발생으로 인한 추락사고 발생
○ 불확실한 외부 환경 영향으로 성능 저하 및 시스템 사고
□ GPS 음영 환경에서 안전한 드론 운영을 위한 자율비행 기술 개발
○ GPS 음영 지역, 산학지역 및 실내에서 안전한 자율비행 기술 개발
○ GPS 재밍 환경에서 독립 비행 가능한 대체 항법 기술 개발
□ 외부 환경 인식을 통한 정적 및 동적 장애물 충돌회피 비행기술 개발
○ 거리센서(레이저/스테레오비전) 기반 충돌회피 기술 보완 및 정밀도 향상 개발

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 1-1. 연구개발의 필요성 ... 4
• 1-2. 연구개발의 목표 및 내용 ... 4
• 1-3. 연차별 연구 추진일정 ... 14
• 1-4. 연구의 추진전략 및 방법 ... 15
• 2. 연구수행내용 및 연구결과 ... 16
• 2-1. 연구수행 내용 ... 16
• 2-2. 연구수행 결과 ... 19
• 2-3. 연구 성과 ... 33
• 3. 연구개발결과의 중요성 ... 40
• 3-1. 기여도 ... 40
• 3-2. 활용방안 ... 43
• 3-3. 파급효과 ... 43
• 4. 참고문헌 ... 45
• 5. 연구성과 ... 47
• 끝페이지 ... 54