지속적 자율 굴착을 위한 학습 기반 프레임워크

요약

출처: arXiv cs.RO · 2026년 9월 24일 공개

연구진은 반복적 굴착 과정에서 재료 더미의 형상이 지속적으로 변하는 문제를 해결하기 위한 학습 기반 프레임워크를 보고했습니다. 이 시스템은 고수준 목표 선택과 로컬 굴착 동작을 분리합니다. 공유된 태스크 조건부 강화학습(RL) 정책이 웨이포인트 기반 접근과 적재 운반을 관리하고, 모방학습(IL) 정책이 전문가 데모스트레이션을 기반으로 비전 기반 굴착과 리프팅을 수행합니다. 굴착 목표는 LiDAR 고도 맵에서 선택되어 버킷 팁 웨이포인트로 변환됩니다. 제어 아키텍처는 이러한 학습된 정책과 결정론적 언로딩을 공유된 모션 인터페이스를 통해 조정합니다. 전체 시스템은 멀티모달 센싱과 폐쇄 루프 액추에이터 제어를 갖춘 축소 규모 유압 굴착기에 배포되었습니다. 오프라인 리플레이와 물리적 실험 결과, 해당 시스템은 각각의 기준선보다 더 일관된 목표 선택, 더 짧은 로컬 모션 시간, 그리고 증가된 적재량을 보였습니다. 구체적으로, 학습된 굴착 정책은 완료된 사이클당 평균 6.52kg의 적재량을 달성했으며, 이는 고정 굴착(Fixed Dig) 기준선의 2.68kg보다 높습니다. 세 번의 5스쿱 실행은 지속적으로 변화하는 더미 형상 하에서 연속적인 자율 굴착이 가능함을 보여주었습니다.

의의

자율 굴착은 매 스후프마다 환경이 변하므로 로봇이 지속적으로 굴착 위치를 재평가해야 하는 어려운 문제입니다. 기존 접근법은 고정된 궤적이나 단순 휴리스틱 규칙에 의존하는 경우가 많으며, 이는 재료 더미의 동적 형상에 적응하기 어렵습니다. 이 연구는 강화학습 기반 모션 계획과 조작을 위한 모방학습이라는 확립된 방법론을 구축하되, 이를 연속적 운영을 위한 통합 프레임워크로 결합합니다. 목표 선택과 로컬 제어를 분리함으로써, 이 시스템은 연속된 사이클에 걸쳐 굴착 목표를 적응시키고 모션을 조정해야 하는 조정 문제를 해결합니다. 이는 비정형적이고 변화하는 환경에서 효율적으로 운영해야 하는 실용적인 자율 토목 작업을 향한 중요한 단계입니다.

로봇의 해석

이 접근법의 강점은 모듈형 설계에 있으며, RL 정책이 고수준 계획에 집중하는 동안 IL 정책이 복잡한 비전 기반 굴착 작업을 처리할 수 있게 합니다. LiDAR를 목표 선택에 사용하는 것은 변화하는 더미 형상에 적응하는 견고한 방법을 제공합니다. 그러나 평가는 축소 규모 유압 굴착기에 한정되어 있으며, 6.52kg의 적재량은 상대적으로 작아 시스템이 여전히 연구 프로토타입 단계에 있음을 시사합니다. 이 프레임워크가 풀사이즈 산업용 굴착기로 확장되거나 더 복잡한 지형을 처리할 수 있는지는 아직 확인되지 않았습니다. 세 번의 5스쿱 실행은 좋은 출발이지만, 실세계 조건에서의 신뢰성을 확인하려면 더 긴 시간의 테스트가 필요합니다. 전반적으로, 이는 지속적 자율 굴착을 향한 유망한 단계이지만, 실용성을 평가하기 위한 추가 검증이 필요합니다.