A Predictive Control Strategy to Offset-Point Tracking for Agricultural Mobile Robots

기술 요약: 농업용 모바일 로봇의 오프셋 지점 추적을 위한 예측 제어 전략

문제 정의

농업 로보틱스는 지속 가능한 농업을 위해 점점 더 중요해지고 있으나, 기존의 경로 추종 제어기는 주로 로봇의 회전 중심(후륜 차축)에 집중되어 있습니다. 이러한 접근 방식은 로봇에 부착된 작업기(예: 제초기, 경운기)의 공간적 점유 영역과 동역학을 간과하며, 이러한 작업기들은 흔히 로봇에 강체로 장착되어 작물 및 토양과 직접 상호작관합니다. 실제로, 작업기의 위치를 무시하는 것은 특히 곡률 변화 구간에서 경로 추종 성능을 저하시키고 작물 손상을 초래할 수 있습니다.

핵심 과제는 농업용 차량에 강체로 연결된 오프셋 지점(작업기와 토양의 상호작용 지점)을 제어하는 것입니다. 피벗 조인트를 통해 회전 시 추종 오차를 자연스럽게 줄여주는 트레일러 시스템과 달리, 강체로 장착된 작업기는 상당한 레버 암(lever arm)을 생성합니다. 이러한 구성은 키네매틱스(kinematics) 상의 제약을 유발하며, 이로 인해 작업기를 위한 참조 궤적이 물리적으로 불가능(예: 차량이 실행할 수 없는 곡률 불연속성 요구)해질 수 있습니다. 또한, 농업 환경은 토양 조건에 따른 측면 미끄러짐(사이드슬립)을 유발하는데, 전통적인 모델들은 이를 무시하는 경우가 많습니다. 목표는 피할 수 없는 추종 오차를 최소화하면서 운영 안전성과 정밀도를 보장하는 제어 전략을 설계하는 것입니다.

방법론

저자들은 측면 미끄러짐을 고려하여 이전 모델 [1]을 확장한 폐형(closed-form) 예측 제어 전략을 제안합니다. 방법론은 다음과 같이 구성됩니다.

1. 사이드슬립을 포함한 키네매틱스 모델링

시스템은 후륜과 전륜의 사이드슬립 각도($\beta_R$ 및 $\beta_F$)를 포함하도록 확장된 아커만(Ackermann) 유형의 바이시클 모델을 사용하여 모델링됩니다.

• 오프셋 지점 정의: 작업기 지점 $I$는 로봇 프레임에 대한 로컬 좌표 $(I_s, I_y)$로 정의됩니다.
• 추종 오차: 작업기 추종 오차 $e_I$는 로봇의 횡방향 오차 $y$, 각도 편차 $\tilde{\psi}$, 그리고 기하학적 오프셋의 함수로 공식화됩니다.
• 슬라이딩 관측기: 사이드슬립 각도는 직접 측정할 수 없으므로, GNSS-RTK 및 IMU 데이터를 기반으로 한 관측기([37] 기반)를 사용하여 $\beta_R$과 $\beta_F$를 추정하고 횡방향 속도 교란을 계산합니다.

2. 예측 제어 프레ك워크

제어 전략은 예측 호라이즌(prediction horizon)으로 강화된 2단계 백스테핑(backstepping) 접근 방식을 채택합니다.

• 1단계 (목표 방향): 단순한 반응적 수정 대신, 이 방법은 호라이즌 $s_h$ 동안의 추종 오차 진화를 예측합니다. 이는 예측된 작업기 궤적과 원하는 수렴 프로파일 $h(s)$ 사이의 누적 제곱 오차를 최소화하는 최적화 기준 $J$를 정의합니다. 이 프로파일은 후방 장착 작업기가 경로에 수렴하기 전에 초기에 경로에서 벗어나야 하는 특유의 키네매틱 동작(레버 암 효과)을 반영합니다.
• 폐형 해(Closed-Form Solution): 오차 역학을 근사하고 고차 곡률 항을 무시함으로써(일반적인 농업 경로에서 유효함), 저자들은 최적의 목표 각도 편차 $\tilde{\psi}_d$에 대한 폐형 해를 도출합니다. 이는 표준 모델 예측 제어(MPC)에서 사용되는 수치적 솔버의 계산 부담과 신뢰성 문제를 피할 수 있게 해줍니다.
• 2단계 (조향 제어): 보조 백스테핑 루프는 로봇의 실제 방향을 목표 $\tilde{\psi}_d$로 유도하기 위해 조향각 $\delta$를 조정하여 지수적 수렴을 보장합니다.

주요 기여

1. 측면 슬립이 확장된 모델: 본 논문은 측면 미끄러짐 효과를 명시적으로 포함하도록 [1]의 오프셋 지점 제어 모델을 확장하였습니다. 이는 농업 환경에서 매우 중요한 요소입니다.
2. 새로운 예측 제어 전략: 새로운 폐형 예측 제어기가 도입되었습니다. 표준 MPC와 달리 수치적 최적화를 요구하지 않으므로 실시간 실행 가능성과 수렴 보장을 보장합니다.
3. 일반적 적용성: 이 방법은 전방 장착 및 후방 장착 작업기 모두를 처리할 수 있도록 설계되었습니다. 특히 기존 예측 방법(예: [36])이 처리하지 못하는 후방 장착 구성의 특정 키네매틱스 과제(예: "수렴 전 발산" 동작)를 해결합니다.

실험 결과

본 접근 방식은 두 가지 작업기(기계식 제초기 및 스프링 틴 경운기)를 장착한 4륜 구동 아커만 로봇을 통해 시뮬레이션 및 실제 필드 실험을 통해 검증되었습니다.

시뮬레이션 결과

• 속도 및 오프셋: 시뮬레이션 결과, 다양한 속도와 오프셋 위치에서 추종 오차가 허용 범위(<15 cm 중앙값) 내에 유지됨을 보여주었습니다. 후방 장착 작업기는 레버 암 효과로 인해 약간 더 높은 오차를 보였으며, 이에 따라 높은 속도에서는 더 긴 예측 호라이즌이 필요했습니다.
• 파라미터 민감도: 최적의 예측 호라이즌은 견고한 것으로 나타났으며, 넓은 범위의 값에서도 최적에 가까운 성능을 유지하여 광범위한 튜닝의 필요성을 줄였습니다.

실제 실험

실험은 잔디와 경작된 토양에서 수행되었으며, 제안된 방법을 다음 모델들과 비교하였습니다:

1. 측면 서보잉(Lateral Servoing) (반응적, 기하학적 방식) [1].
2. 백스테핑 제어 (반응적 방식) [1].
3. 전방 장착 작업기용 MPC [36].

주요 결과:

• 오차 감소: 제안된 방법은 최신 기술(state-of-the-art) 베이스라인 대비 중앙 추종 오차를 24%에서 56%까지 감소시켰습니다.
• 피크 오차 완화: 곡률 전환 및 장애물 회피 기동 중 피크 오차는 최대 70%까지 감소했습니다.
• 후방 장착 성능: [36]의 MPC 방법은 후방 장착 작업기에 대해 수렴에 실패했으나, 제안된 방법은 경로를 성공적으로 추종했습니다.
• 슬라이딩 관측기의 영향: 절제 연구(ablation studies)를 통해 슬라이딩 관측기가 토양 슬립이 심한 곡선 구간에서 중앙 추종 오차를 50%에서 64%까지 감소시키는 데 결정적임을 확인했습니다.
• 장애물 회피: 급격한 편차가 발생하는 장애물 회피 시나리오에서, 제안된 방법은 추종 오차를 0.5 m 미만으로 유지한 반면, 반응적 방법들은 오차가 1.0 m를 초과하여 작물 손상이나 충돌 위험을 초래했습니다.

의의 및 주장

본 논문은 제어의 초점을 차량 중심에서 작업기 자체로 전환함으로써 농업 로보틱스 분야에 상당한 진전을 이루었다고 주장합니다. 그 의의는 다음과 같습니다:

• 안전 및 정밀도: 곡률 전환 시 추종 오차를 최소화함으로써, 정밀한 작업(예: 열간 제초)에 필수적인 작물 손상 위험을 줄입니다.
• 강건성: 측면 슬립을 명시적으로 모델링하고 예측 호라이즌을 사용함으로써, 반응적 제어기가 처리할 수 없는 교란을 예측하고 보상할 수 있습니다.
• 실용성: 제어기의 폐형 특성은 낮은 계산 비용과 높은 신뢰성을 보장하여, 수치적 MPC에서 흔히 발생하는 솔버 실패 위험 없이 임베디드 농업 시스템에 배포하기 적합하게 만듭니다.

저자들은 완벽한 추종이 키네매틱스 제약으로 인해 강체 오프셋 지점에는 물리적으로 불가능할 수 있지만, 본 방법이 이러한 불가피한 편차를 효과적으로 최소화하여 운영 안전성과 효율성을 높인다고 결론지었습니다. 향후 연구는 스키드 스티어(skid-steer) 플랫폼 및 추가적인 자유도를 가진 능동형 작업기로 프레임워크를 확장하는 방향으로 진행될 예정입니다.