ETH Zurich2019#060시스템통합·현장실증논문 PDF

자율 자유형 트렌칭

Autonomous Free-Form Trenching Using a Walking Excavator

한줄 요약 — 두 LiDAR와 버킷 궤적을 융합해 가림·낙토·자기점군을 억제하고, SDF 위 cubic Hermite spline을 SQP로 최적화한 뒤 힘제어 굴착과 계층형 IK를 상태기로 전환함으로써 12톤 보행 굴착기가 1.5 m 버킷으로 자유형 트렌치를 사용자 개입 없이 평균 2.4~2.7 cm 오차로 만들었다.

1.연구 배경 및 동기

평탄한 도랑을 넘어 CAD 자유곡면을 실차로 닫힌고리 시공하기

기존 자율 굴착기는 평탄한 바닥이나 외부 기준면을 만드는 데 집중했고, 복잡한 자유형 지형을 실제 장비로 시공한 사례는 없었다. 굴착은 로봇이 스스로 환경을 계속 바꾸므로 일반 정적 SLAM이나 고도지도만으로는 충분하지 않다. 버킷 뒤의 제거영역은 LiDAR에서 가리고, 가득 찬 버킷에서 떨어지는 흙이 공중 점군으로 잡히며, 팔과 다리 자체가 지도에 들어온다. 동시에 토양저항은 위치궤적을 그대로 따르기 어렵게 하고, 상용 유압기의 유량·속도·관절·충돌 제약은 하나의 제어기에서 다뤄야 한다.

논문은 이전의 시뮬레이션 기반 힘궤적 굴착과 반복 계획을 12 t HEAP 실차에 옮기기 위해 센싱, 유압 하드웨어, 지도, 공중 경로계획, 팔 제어, 굴착 상태기를 함께 설계한다. CAD 목표를 2.5D 고도지도로 바꾸고, 다음 공격점과 덤프점을 선택한 뒤 토양에 닿기 전후로 위치제어와 힘제어를 전환한다. 목표는 한 번의 굴착 성능이 아니라 지도오차가 수렴할 때까지 전체 작업을 사용자 개입 없이 반복해 자유곡면을 재현하는 것이다.

원문 Figure 1, PDF 1쪽
원문 Figure 1 · PDF p.1 — Fig. 1. HEAP is an autonomous walking excavator based on a highly customized Menzi Muck M545.
원문 Figure 2, PDF 2쪽
원문 Figure 2 · PDF p.2 — Fig. 2. The two different actuation types are pilot stage valve (blue) and Moog servo valve (red). The black lines and boxes represent the standard components installed by the machine manufacturer.
원문 Figure 3, PDF 3쪽
원문 Figure 3 · PDF p.3 — Fig. 3. The three major challenges in mapping for excavation are (1) unper- ceived changes marked with the striped area, (2) falling soil below the bucket and (3) self perception marked with dotted red lines on the legs and arm.
선행 연구의 한계
이 연구의 기여

2.방법론 및 시스템 구성

HEAP는 Menzi Muck M545를 기반으로 한 12 t 보행 굴착기다. Leica iCON iXE3 이중 GNSS와 RTK, 캐빈·차체 IMU, 100 Hz 드로와이어 실린더 센서, 서보밸브 압력센서, 서로 직교 배치한 두 Velodyne Puck VLP-16을 사용한다. 공중 이동은 큰 유량의 파일럿단 밸브와 속도제어를, 토양 접촉은 고대역 메인단 서보밸브와 힘제어를 선택한다.

자율 사이클은 목표 CAD 고도와 현재 지도를 비교해 공격점을 고르고, SDF-SQP로 현재 버킷에서 공격점까지 충돌 없는 궤적을 만든다. 계층형 IK가 공중구간을 따라가며, 접촉 상태와 목표면 거리 및 추정 상호작용힘에 따라 목표면 추종 또는 힘제어 굴착을 실행한다. 버킷이 차거나 차체에 가까워지면 종료하고, 버킷 날 궤적으로 가려진 지도를 임시 갱신한 뒤 선회 중 LiDAR로 확정한다.

처리 파이프라인

1

굴착 인지형 고도지도

0.1 m 격자에 두 LiDAR 점군을 융합한다. 버킷이 흙 속을 지난 영역은 날 궤적을 높은 불확실성으로 삽입하고, 덤프 선회 때 새 LiDAR가 보이면 낮은 불확실성으로 치환한다. 버킷 아래 이동 상자필터는 떨어지는 흙을, 다중 메쉬 self-filter는 팔·다리 점군을 제거한다.

2

SDF와 SQP 공중경로

2.5D 지도에서 부호거리장(SDF)을 만들고, 여러 cubic Hermite spline을 지지점으로 연결한다. 직선 초기경로의 충돌 지지점을 SDF 기울기로 위로 올린 후 SQP가 경로길이, CHOMP형 충돌비용, 지지점 간격 표준편차를 가중합으로 최소화한다.

3

기계한계 인지 계층형 IK

캐빈 선회와 붐·디퍼·텔레스코픽·삽의 5 DoF를 제어한다. 펌프 최대유량, 실린더 속도, 스트로크, Bullet 기반 자기충돌, 말단 자세, 말단 위치, 최소 관절속도 순으로 우선순위를 둔다. 목표 spline 위치·속도에 PID 피드백을 더해 명령한다.

4

힘제어 단일 굴착

강체 동역학, 중력·코리올리, 점성·정지마찰 보상을 포함해 목표 말단힘을 관절 힘으로 변환한다. 2차 residual wrench로 접촉을 추정하고, 시작점이 목표면에 가깝지 않으면 토양독립 힘궤적을 실행하며 목표면에 가까우면 먼저 표면을 위치추종한다.

5

상태기 전환과 버킷 충전 추정

표면 추종 중 힘이 임계치를 넘으면 힘제어로 바꾼다. 비접촉 상태에서 힘제어를 시작하지 않도록 버킷을 수직 하강해 접촉을 확보한다. 이전 지도와 버킷 날 궤적으로 쓸어 담은 부피를 추정해 가득 참을 판정하고, 다리·차체 근접도 종료조건으로 사용한다.

6

덤프·재관측·다음 공격점

계획기가 덤프점을 정하고 공중경로와 IK로 이동해 흙을 비운다. 덤프 위치 지도를 강제 갱신하고, 선회 중 트렌치 LiDAR 관측으로 가려졌던 높은 불확실성 셀을 보정한다. 거친 굴착과 정삭을 필요에 따라 즉시 번갈아 실행한다.

원문 수식과 의미

SQP 경로비용

c=wlcl+wccc+wrcr,cl=∑k=1N−1∥xk−xk+1∥,cr=σ(∥si−si+1∥)c=w_lc_l+w_cc_c+w_rc_r,\quad c_l=\sum_{k=1}^{N-1}\lVert x_k-x_{k+1}\rVert,\quad c_r=\sigma(\lVert s_i-s_{i+1}\rVert)

표본점 경로길이, SDF 기반 충돌비용, 지지점 간격의 표준편차를 결합한다. 충돌가중치를 높이면 지표면을 더 직교하게 떠나고 접근한다.

힘제어 관절 목표

τd=JTftdes+b+g+Fvu+Fssign⁡(u)\tau_d=J^Tf_{t}^{des}+b+g+F_vu+F_s\operatorname{sign}(u)

목표 말단힘을 Jacobian으로 관절공간에 옮기고 코리올리·중력과 점성·정지마찰을 보상하되 실린더 힘 한계 안에서 명령한다.

공중 말단 추종

r˙des=r˙traj+PID(r,rtraj)\dot r_{des}=\dot r_{traj}+PID(r,r_{traj})

Hermite spline이 주는 피드포워드 속도에 위치오차 PID를 더해 계층형 IK의 말단 자세·위치 과제로 사용한다.

원문 Figure 4, PDF 3쪽
원문 Figure 4 · PDF p.3 — Fig. 4. After a dig cycle, the bucket is lifted from the ground and the proprio- ceptive map is inserted into the elevation map with a high uncertainty. Regions with high uncertainties are green, whereas low uncertainties are red. Note that the steep side walls always keep a high uncertainty, because near vertical surfaces are inherently hard to represent with a 2.5D map.
원문 Figure 5, PDF 3쪽
원문 Figure 5 · PDF p.3 — Fig. 5. While the arm swings to the side to dump the soil, the map of the trench is updated with input from the lidars. The uncertainty decreases for those parts represented by the purple color. The occluded areas keep the height values with large uncertainty (green) from the proprioceptive mapping, yielding a complete map.
원문 Figure 6, PDF 4쪽
원문 Figure 6 · PDF p.4 — Fig. 6. The SQP optimizer adapts the support points si (orange dots) to com- pute a feasible 3D path from start to end position (red dots) using concatenated cubic Hermite splines. The optimizer is initialized with collision-free support points (grey dots) from a straight line solution (black dots). The SDF is not illus- trated for the sake of simplicity, but an example distance d(xk) from sampled position xk to the closest point on the surface is given.
원문 Figure 7, PDF 6쪽
원문 Figure 7 · PDF p.6 — Fig. 7. The building blocks for autonomous execution of one excavation cycle are excavation planning (black), trajectory planning (gray), mapping and control (white). IK (inverse kinematics) and ID (inverse dynamics) describe which arm control strategy is used. Three different dig cycles are shown with blue, red and green lines. The respective plots are in Fig. 9a, 9b and 9c.

3.핵심 기술

자가 변경·가림을 다루는 고유감각-외감각 지도 융합

일반 고도지도는 보이는 표면만 갱신하므로 버킷 뒤에서 사라진 흙을 그대로 남길 수 있다. 논문은 굴착이 끝난 즉시 버킷 날이 통과한 선으로 제거 표면을 추정해 높은 분산으로 삽입한다. 이 값은 정답으로 고정되지 않고, 팔이 덤프 방향으로 선회해 시야가 열리면 LiDAR 관측이 빠르게 덮어쓴다.

공중 낙토는 버킷 아래를 따라 움직이는 PCL 상자필터로, 기체 자체는 다중 메쉬 self-filter로 제거한다. 결과적으로 작업 자체가 만드는 세 종류의 지도 오류를 상태기 정보로 억제하고, GNSS 지리참조된 완전한 트렌치 지도를 유지한다.

  • 2×Velodyne Puck VLP-16 직교 배치
  • 0.1 m 지도 해상도
  • 고불확실성 버킷 궤적 삽입 후 LiDAR 재융합
  • falling-soil box와 robot self-filter

지도 표면을 직접 사용하는 충돌회피 spline 최적화

공격점과 덤프점 사이의 버킷은 이미 쌓인 흙과 트렌치 벽을 피해야 한다. SDF는 지표 위·아래를 부호로 구분하므로 굴착 직후 시작점이 표면 아래여도 계산할 수 있다. SQP는 충돌 지지점을 들어 올리고 spline 표본의 충돌·길이를 반복 최적화하며, 자기충돌은 국소 제어기에 남긴다.

  • cubic Hermite spline
  • 2.5D 고도지도→3D SDF
  • CHOMP형 piecewise collision cost
  • SQP 지지점 최적화

위치·힘·유압모드가 결합된 실차 굴착 상태기

공중에서는 유량이 큰 파일럿단 밸브로 계층형 IK를 실행하고, 접촉 굴착에서는 힘대역폭이 20 Hz 이상인 Moog 서보밸브로 전환한다. 목표면에 가까우면 정삭 위치추종을 먼저 시도하다 큰 접촉력이 생기면 힘제어로 바꾸고, 목표면에서 멀면 처음부터 힘제어로 흙을 제거한다.

이전 시뮬레이션처럼 거친 굴착을 모두 끝낸 후 정삭하지 않고, 현재 지도와 접촉상태에 따라 두 동작을 매 사이클 교차한다. 이 설계가 작업순환을 짧게 하고 완성 구간을 다시 통과해 훼손할 가능성을 줄인다.

  • 파일럿 속도제어 0.5 Hz·힘제어 0.85 Hz
  • 서보 속도제어 >2 Hz·힘제어 >20 Hz
  • 접촉·목표면거리·힘 임계치 기반 전환
  • 버킷 충전부피와 차체근접 종료

4.실험 결과

실험 환경·장비·데이터

실험 프로토콜

비교 기준

평가 지표

원문 Figure 8, PDF 7쪽
원문 Figure 8 · PDF p.7 — Fig. 8. The desired shape is a four-segment piecewise-planar surface depicted in the top right corner. The area in the final shape corresponding to the desired plan is marked with magenta grid lines. The coloring represents the elevation of the cells.
원문 Figure 9, PDF 7쪽
원문 Figure 9 · PDF p.7 — Fig. 9. The three different dig cycles correspond to the three colored paths through the state machine in Fig. 7, i.e. a) is the blue, b) is the red and c) is the green path. The current elevation shown as a red line is the elevation along the center line of the trench.

핵심 결과 해석

4분절 piecewise-planar 트렌치는 평균 0.027 m, 표준편차 약 0.035 m로 완성됐다. 초기 지형은 일부에서 목표보다 0.7 m 높고 약 2.1 m³를 제거해야 했지만, 수평면과 경사면 모두 비슷한 정확도로 수렴했다. 자유곡선 형상도 평균 0.024 m, 표준편차 0.032 m를 달성했다. 두 결과는 단순 평탄 바닥이 아니라 기울기와 곡률이 바뀌는 목표를 동일한 폐루프가 처리했음을 보여준다.

이전 시뮬레이션의 0.035 m·0.044 m보다 실차 결과가 같거나 더 좋았고, Shao의 평탄 트렌치 0.1 m 미만보다 작다. Maeda의 0.025 m와는 비슷하지만, 본 연구는 버킷 경로만으로 지형을 추정하지 않고 LiDAR 외감각 지도를 이용해 실제 형상을 평가했다. 정확도 수치뿐 아니라 12 t 장비가 두 형상을 한 번에, 개입 없이 끝낸 통합성이 핵심이다.

상태기 사례는 토양조건과 잔여오차에 따라 행동이 달라짐을 보였다. 목표면에 가까운 9번째 굴착은 위치추종 중 접촉력이 커지자 힘제어로 넘어갔고, 12번째는 가파른 벽 아래를 피한 높은 공격점에서 완전 힘제어로 상부 흙을 제거했다. 이후 13번째는 남은 흙이 적어 목표면 추종만으로 버킷을 채웠다.

정량 결과

평가 항목정량 결과조건·맥락원문 근거
4분절 평면 트렌치 형상오차평균 0.027 m, 표준편차 0.035 m실차 무인 시공 후 목표 고도 대비한 4분절 평면 트렌치PDF p.7
자유곡선 트렌치 형상오차평균 0.024 m, 표준편차 0.032 mHEAP 실차 자유형 곡선 형상PDF p.7
초기 제거 대상국소오차 최대 0.7 m, 약 2.1 m³4분절 평면 트렌치 시작 지형PDF p.8
지도 해상도0.1 m버킷 폭보다 15배 작은 굴착 고도지도 격자PDF p.4
버킷 폭1.5 m이가 없는 grading bucketPDF p.7
실패 사례와 경계조건
원문 Figure 10, PDF 8쪽
원문 Figure 10 · PDF p.8 — Fig. 10. The terrain, before the autonomous excavation starts and traced by the black line, shows an error of up to 0.7 m at certain locations and a total error volume of ∼2.1 m3 of soil that has to be removed. The desired shape is shown with the blue line and the error with red bars. The error bars show the error averaged in y-direction. The final state after the autonomous excavation shows a mean error of 0.027 m with a standard deviation of 0.034 m. Additionally, the red dotted line represents the σ-bound of the error.
원문 Figure 11, PDF 8쪽
원문 Figure 11 · PDF p.8 — Fig. 11. The initial terrain (black line) was excavated to achieve the desired shape (blue line). The remaining average error is 0.024 m shown with red bar plots and a standard deviation of 0.032 m illustrated by the red dotted σ-bound lines.

5.한계 및 향후 연구

현재 한계

  • 지도는 단일 높이의 2.5D 표현이어서 오버행을 다루지 못하고 가파른 측벽의 불확실성이 크다.
  • 두 자유형 목표를 한 현장 장비로 검증했으며 토질 다양성·대형 장애물·장시간 반복작업에 대한 통계가 없다.
  • 환경 충돌과 자기충돌이 각각 계획기와 제어기로 분리되어 전신 수준의 공동 최적 안전보장은 없다.
  • 서보·파일럿 이중 유압개조와 다중 센서 구성이 크고 복잡해 일반 상용장비로의 이식 비용이 남는다.

향후 연구

  • 저자들이 언급한 extended robotically fabricated landscapes로 작업영역과 연속 시공 규모를 확장한다.
  • GNSS 의존도를 낮춘 현장 측위와 굴착 지도정합을 결합해 터널·도심 협소현장으로 적용범위를 넓힐 수 있다.
  • 환경·자기충돌과 전신 자세를 통합해 차체·다리까지 고려한 안전경로를 만들 수 있다.

6.한마디로 정리

핵심 방법은?

굴착 특화 LiDAR-버킷 지도, SDF-SQP 경로, 한계 인지 IK, 힘제어와 상태기를 폐루프로 통합했다.

핵심 결과는?

12 t HEAP가 개입 없이 4분절·곡선 트렌치를 만들고 평균 2.7 cm·2.4 cm 오차를 달성했다.

한계는?

2.5D·RTK 기반 두 형상 실증이며 큰 장애물, 다양한 토질, 장시간 고장복구와 전신 충돌보장은 남았다.

#시스템통합·현장실증#작업·궤적계획#제어·MPC#측위·매핑#작업 인지형 고도지도#SQP 충돌회피#힘 기반 굴착 상태기

나의 의견 / 우리 연구와의 연관성

이 논문은 자율굴착을 단일 알고리즘이 아니라 인지-계획-제어-작업상태의 연결문제로 보여준다. 지도는 버킷이 만든 변화를 작업상태와 함께 해석하고, 계획기는 지형과 기계한계를 고려하며, 제어기는 공중의 위치정밀도와 접촉의 힘순응성을 전환한다. 국내 자율작업 굴착기에서도 작업지시가 CAD 또는 설계고도로 주어질 때 필요한 시스템 경계가 거의 그대로 드러난다.

특히 가림영역을 버킷 궤적으로 고불확실성 갱신한 뒤 LiDAR로 재확인하는 방식은 굴착지도에서 측정 누락과 실제 제거를 구분하는 실용적 패턴이다. 다만 원문 성능을 재현하려면 cm급 위치·관절계측과 힘제어 가능한 유압계가 전제되므로, 표준 파일럿 밸브 장비에서는 데이터 기반 유압보상 또는 저대역 상태기 설계가 추가로 필요하다.

7.전체 그림·표

섹션별 원문 근거 페이지

원문·기존 요약·관련 자료

추출·교차검증 근거