GANav: 비구조화된 야외 환경에서 로봇 주행을 위한 효율적인 지형 세분화

우리는 RGB 이미지에서 비도로 환경과 비구조화된 환경에서 안전하고 주행 가능한 영역을 식별하기 위해 새로운 그룹별 주의 메커니즘(GANav)을 제안한다. 본 연구에서는 거시적 의미 분할(coarse-grained semantic segmentation)을 활용하여 지형의 주행 가능 수준에 따라 분류한다. 제안하는 새로운 그룹별 주의 손실( group-wise attention loss)은 어떤 백본 네트워크든 낮은 공간 해상도의 서로 다른 그룹의 특징에 명시적으로 집중할 수 있도록 한다. 이 설계는 기존 최고 수준의 기법(SOTA)과 비교하여 높은 정확도를 유지하면서도 효율적인 추론을 가능하게 한다. RUGD 및 RELLIS-3D 데이터셋에서 수행한 광범위한 평가 결과, GANav는 RUGD에서 SOTA의 mIoU 대비 2.25~39.05% 향상하고, RELLIS-3D에서는 5.17~19.06% 개선하는 성과를 달성하였다. 또한, GANav를 깊이 강화 학습 기반의 주행 알고리즘과 연계하여 실제 비구조화된 환경에서의 주행 성능 향상을 입증하였다. 본 연구는 GANav 기반 주행 알고리즘을 ClearPath Jackal 및 Husky 로봇에 통합하였으며, 성공률이 10% 향상되고, 최적의 주행 가능 표면 선택 비율이 2~47% 증가하며, 경로의 거칠기(trajecory roughness)가 4.6~13.9% 감소하는 효과를 관찰하였다. 또한, 금지 구역에 대한 거짓 양성(false positive) 비율은 37.79% 감소하였다. 코드, 영상 및 완전한 기술 보고서는 https://gamma.umd.edu/offroad/ 에서 확인할 수 있다.