자율 청소 로봇(AV)이 일상적인 작업 중 기차와 충돌했습니다. 이 사고는 단순한 기계적 결함이 아니라, 인식 시스템의 심각한 취약점을 드러냈습니다. RoboGuide, CloudCompare 및 Blender를 사용한 3D 시뮬레이션을 통한 후속 분석 결과, 기차 유리의 기하학적 구조가 LiDAR 센서에 폐색을 생성하여 내비게이션 소프트웨어가 예측할 수 없었던 사각지대를 만든 것으로 나타났습니다.
유리 기하학적 구조에 의한 LiDAR 폐색 분석 🚆
엔지니어링 팀은 RoboGuide에서 기차와 로봇의 3D 모델을 가져와 시나리오를 재현했습니다. CloudCompare를 사용한 포인트 클라우드 분석을 통해, 기차의 곡면 유리 표면에 대한 LiDAR 광선의 입사각이 정반사 반사를 유발하는 것으로 감지되었습니다. 이로 인해 측면 가장자리 및 패널 연결부와 같은 주요 영역에 그림자 영역 또는 데이터 공백이 생성되었습니다. Blender에서는 로봇의 경로를 시각화하고 폐색 맵을 중첩하여 충돌 순간에 센서가 장애물의 존재를 기록하지 않았음을 확인했습니다. 결함은 하드웨어가 아니라 환경의 기하학적 해석에 있었습니다.
교정 및 경로 설계를 위한 교훈 🤖
해결책은 단순히 더 많은 센서를 추가하는 것이 아니라 교정 및 경로 계획을 재고하는 데 있습니다. 3D 시뮬레이션을 통해 이러한 폐색 조건을 재현하고 시야를 조정하거나 중복 확인 지점을 포함할 수 있습니다. 이 경우, 청소 경로를 재설계하여 측면 사전 스위프를 포함하고, 반사로 인한 오탐지를 필터링하기 위해 LiDAR를 재교정하는 것이 제안되었습니다. 교훈은 분명합니다. 반사율이 높은 표면이 있는 환경에서는 충돌을 방지하기 위해 구현 전에 시뮬레이션이 선행되어야 합니다.
3D 시뮬레이션을 통해 LiDAR 센서가 감지하지 못한 청소 로봇의 사각지대를 식별할 수 있었던 것처럼, 이 사례는 철도 자율 주행 시스템의 센서 중복성을 개선하기 위해 어떤 교훈을 제공합니까?
(추신: 로봇을 시뮬레이션하는 것은 재미있습니다. 당신의 명령을 따르지 않기로 결정할 때까지는요.)