Terrain Traversability
- 다른 이름: traversability estimation, traversability analysis, traversability mapping
- 카테고리: State estimation & navigation › Navigation
- 태그: navigation, field-robotics, perception, terrain-mapping, off-road
지면 로봇이 지형의 한 구간을 주행하거나 걸어서 지나갈 수 있는지, 그리고 얼마나 쉽게 지나갈 수 있는지를 그 기하, 재질, 로봇 자체의 능력을 바탕으로 추정한 것.
정의
지형 주행 가능성(terrain traversability)은 특정 로봇에게 지면의 한 영역이 얼마나 통과 가능한지를 기술한다. 보통 지도로 표현되며, 흔히 로봇 주변의 2.5D 격자로, 각 셀에는 이진 레이블(주행 가능 또는 불가능)이나 플래너가 사용할 수 있는 연속적인 비용 또는 점수가 담긴다. 주행 가능성은 언제나 플랫폼에 상대적이다. 바퀴 달린 배송 로봇을 멈춰 세우는 연석이 사족 로봇에게는 쉬울 수 있고, LiDAR에는 벽처럼 보이는 키 큰 풀도 그 사이로 주행하기에는 무해할 수 있다.
고전적인 접근법은 기하로부터 주행 가능성을 추정한다. 로봇은 LiDAR나 깊이 카메라를 사용해 고도 지도를 만들고 경사, 단차 높이, 거칠기, 틈의 존재 같은 특징을 계산한 뒤, 이를 플랫폼의 한계와 비교한다. 이 방법은 단단한 지형에서는 잘 작동하지만, 기하만으로는 오해를 낳는 초목, 진흙, 눈, 물에서는 어려움을 겪는다.
의미론적 접근법은 외관을 더한다. 카메라 이미지를 의미론적 분할로 처리해 길, 풀, 자갈, 바위, 물 같은 지형 클래스에 레이블을 붙이고, 각 클래스에 비용을 할당한다. 많은 시스템은 둘을 결합하여 의미론적 레이블과 기하학적 특징을 같은 지도에 융합한다.
학습 기반 접근법은 데이터로부터 주행 가능성을 직접 추정하며, 때로는 로봇 자신의 경험을 지도 신호로 사용한다. 로봇이 지나간 지형은 그곳에서 측정한 미끄러짐, 진동, 노력과 함께 학습 레이블이 된다. 이를 흔히 자기 지도 주행 가능성 학습이라고 부른다. 어떤 경우든 출력은 로봇이 어디로 가야 할지 결정하는 비용 지도나 지역 플래너로 들어간다.
중요한 이유
실외 로봇과 필드 로봇은 감당할 수 없는 지형으로 주행해 들어가거나, 건널 수 있었던 지형을 피해 가는 방식으로 가장 자주 실패한다. 좋은 주행 가능성 추정은 로봇이 넘어지거나, 미끄러지거나, 갇힐 곳을 피하면서 효율적으로 이동하게 해 준다.
주요 응용
- 오프로드 자율 주행과 필드 로보틱스
- 거칠고 자연적인 지형에서의 다리 로봇 내비게이션
- 작물 줄 사이와 고르지 않은 밭 위를 주행하는 농업 로봇
- 행성 탐사 로버 내비게이션
- 실외 서비스 로봇의 산책로 및 공원 내비게이션
실제 사례
일반적인 실외 내비게이션 스택은 LiDAR 점들을 로봇 중심 고도 지도로 융합하고(예를 들어 ROS와 함께 쓰이는 오픈소스 elevation_mapping 및 grid_map 패키지를 사용), 각 셀의 경사와 단차 특징을 계산하며, 카메라 분할 네트워크에서 투영한 의미론적 레이블을 겹친다. 이것들을 합쳐 전역 또는 지역 플래너가 경로를 고르는 데 쓰는 비용 레이어를 만든다. 팀은 플랫폼의 지상고, 바퀴나 다리의 기하, 안정성 여유로부터 임계값을 정하고, 현장에서 지도를 신뢰하기 전에 경사, 연석, 초목 같은 대표적인 지형 위로 로봇을 주행시키거나 걷게 하여 이를 검증한다.
흔한 오해
- 주행 가능성은 지형만의 성질이다 — 로봇의 크기, 지상고, 이동 방식, 안정성 한계에 따라 달라진다
- 장애물 검출로 충분하다 — 지면에 장애물이 없어도 경사, 무른 정도, 미끄러짐 때문에 통과할 수 없을 수 있다
- 키 큰 초목은 항상 장애물이다 — 기하 센서는 풀을 단단한 것으로 보므로, 통과 가능하다고 인식하려면 의미론적 단서나 학습된 단서가 필요하다
알아야 할 사람
- 필드 및 오프로드 로보틱스 엔지니어
- 다리 로봇 내비게이션 개발자
- 농업 로보틱스 팀
- 내비게이션을 위한 의미론적 분할을 다루는 인식 엔지니어
관련 기술
- 고도 지도 작성(Elevation Mapping)
- 의미론적 분할(Semantic Segmentation)
- 코스트맵(Costmap)
- LiDAR
- 자기 지도 학습(Self-Supervised Learning)
- grid_map
관련 용어
관련 프로젝트
- Open3D: Modern library for 3D point cloud processing, mesh operations, and 3D machine learning
- PCL: Industry-standard C++ library for point cloud processing in robotics perception
- Nav2: ROS 2 navigation stack with path planning and obstacle avoidance for mobile robots
- DimOS: Python robotics runtime with agents, SLAM and teleop, no ROS required
- ROS Motion Planning: One repo implementing 40+ classic and learning-based robot path planners as ROS plugins
- OpenMind OM1: AI-native operating system for robots with modular perception, cognition, and action