지역 경로 계획 local path planning

지역 경로 계획 

• 로봇이나 자율주행과 같은 기계가 주어진 환경에서 충돌없이 목적지로 이동할수 있게, 현재 지역에서 짧은 거리 내에서 경로를 계획하는 과정을 말함.
  • 전역 경로 계획과는 다르게, 실시간으로 동적인 장애물, 센서 정보 , 환경 변화를 고려하여 경로를 생성함.
• 목표
  • 충동회피 : 주변 장애물을 피하면서 안전한 경로를 생성
  • 실시간 반응 : 동적인 환경 변화에 대응해야함.
  • 전역 경로와의 조화 : 전역 경로 계획에서 설정된 전체적인 방향을 유지
• 지역 경로 계획의 종류
  • 1. 격자 기반 접근법
    • 환경을 격자로 나누고, 각 격자가 자유공간인지 장애물인지를 판단하여 경로 계획
    • 장점: 구현이 간단하며 구조적이다.
    • 단점: 높은 계산 비용. 격자의 해상도가 낮다면 세밀한 계획이 어렵다.
    • ex) a-star 알고리즘( 지역적으로도 사용이 가능하다. ) a star 알고리즘
  • 2. 샘플 기반 접근법
    • 환경에서 임의의 점을 샘플링하여 연결가능한 경로를 찾음
    • 장점: 고차원 공간에서도 사용 가능
    • 단점: 정확한 경로를 보장하지 않음
    • ex) RRT( rapidly-exploring random tree ) , PRM ( probabilistic roadmap ) , DWA ( dynamic window approach )
  • 3. 벡터장 기반 방법
    • 환경 내에서 속도와 방향을 벡터로 표현. 로봇이 목적지로 이동할 수 있도록 방향을 제시.
    • 장점: 실시간 계산 용이, 동적 장애물 처리 가능.
    • 단점: 로컬 최적화에 빠질수있음.
    • ex) 인공 잠재장 artificial potential field 
  • 4. 최적화 기반 방법
    • 최적화 문제를 정의하여 경로를 생성함. 이때 장애물 회피 , 이동 시간 최소화 , 에너지 효유성 고려
    • 장점: 경로가 매끄러우며 자연스럽다.
    • 단점: 높은 계산 비용과 이로인한 실시간 적용의 어려움 
    • ex) MPC ( model predictive control ) , quadratic programming
  • 5. 행동 기반 방법
    • 사전에 정의된 행동 규칙을 사용해서 경로 생성
    • 장점: 간단하고 빠름
    • 단점: 복잡한 확경에서는 부적합
    • ex) DAMN (Distributed Architecture for Mobile Navigation ) , Subsumption Architecture
  • 6. 딥러닝/강화 학습 기반 방법
    • 신경망을 사용해서 학습된 모델로 경로를 계획. 강화학습으로 복잡한 환경에서도 최적 경로 학습 가능
    • 장점: 동적으로도 사용 가능
    • 단점: 대량의 학습 데이터와 계산 자원이 필요함
    • ex) DDPG ( deep deterministic policy gradient ) , PPO ( proximal policy optimization )
• 지역 경로 계획에서 주로 사용하는 기술
  • SLAM ( Simultaneous Localization and Mapping )
    • 지역 경로 계획을 위해서 로봇이 자신의 위치와 환경 지도를 동시 구축.
  • 센서 통합 ( Sensor Fusion )
    • 라이다, 카메라 , 초음파 센서 등의 데이터를 결합해서 주변 환경에 대한 정보를 수집
  • 커스텀 히스틱
    • 경로 계산 시 특정 우선순위를 부여하는 규칙을 사용 ( ex: 사간 최소화 , 에너지 절약 )
• 응용 분야
  • 자율주행차량 : 도로에서 실시간으로 장애물을 피하면서 경로 계획 
  • 로봇: 창고에서의 물류 수송 , 청소 로봇의 동작 계획
  • 드론: 좁은 공간에서의 비행 경로 설정