Autonomous Agricultural Tractor: Integrated Weed Detection and LiDAR Navigation for Precision Paddy Farming

기술 요약: AgriNav – 정밀 논 농업을 위한 통합 잡초 탐지 및 LiDAR 내비게이션

문제 정의
논 농업에서의 정밀 농업은 부위별 잡초 관리를 통해 제초제 사용량을 줄이는 것을 목표로 합니다. 그러나 자율 주행 트랙터의 현장 배치는 세 가지 지속적인 기술적 과제로 인해 저해되어 왔습니다:

1. 강건한 캐노피 하부 내비게이션: 벼가 성숙함에 따라 상부 엽층(foliage)이 GNSS 신호를 감쇄시키고 다중 경로 반사를 유발하여, 표적 잡초 제어가 가장 절실한 시점에 전역 포즈 추정(global pose estimation)이 실패하게 됩니다.
2. 실시간 시각적 식별: 논의 잡초는 형태학적으로 다양하며 벼 작물과 색상 및 질감 통계치를 공유합니다. 표준 분류기는 이동 중인 차량의 지연 시간 요구 사항을 충족하면서 이들을 구별하는 데 어려움을 겪습니다.
3. 비대칭적 오분류 비용: 오류의 결과는 대칭적이지 않습니다. 잡초를 놓치는 가로 오탐(false negative, 잡초를 못 보고 지나침)은 회복이 가능하지만, 벼를 잡초로 오인하여 살포하는 가로 오탐(벼를 잡초로 판단하여 살포함)은 돌이킬 수 없고 파괴적인 피해를 초래합니다. 표준 손실 함수와 평가지표는 이러한 위험을 해결하지 못한 채 종종 오류를 대칭적으로 취급합니다.

방법론
본 논문은 ROS(Robot Operating System)를 기반으로 구축된 세 개의 협력 모듈을 갖춘 통합 자율 주행 트랙터 시스템인 AgriNav를 제시합니다:

• 시각 기반 탐지 (역논리 방식):

  • WeedDet 구현: 고정밀 GPU 학습을 위해 설계된 Det-ResNet-50 백본, 효율적인 FPN(Feature Pyramid Network), 그리고 향상된 RetinaNet Head를 갖춘 WeedDet 아키텍처의 충실한 PyTorch 재구현 모델입니다.
  • 경량화 변체: CPU 학습 및 임베디드 배포를 위해 설계된 1.68M 파라미터의 CNN-FPN 모델입니다. 이는 소수 클래스인 잡초에 대해 5배 오버샘플링을 적용하고, 클래스 불균형을 해결하기 위해 3배의 비대칭 손실 페널티를 채택했습니다.
  • 역논리 식별 (Inverted-Logic Discrimination): 잡초 종을 열거하는 대신, 시스템은 높은 신뢰도로 벼(rice) 클래스를 식별합니다. 높은 신뢰도의 벼 바운딩 박스로 커버되지 않는 모든 영역은 후보 잡초 구역으로 간주됩니다.
  • 하드코딩된 벼 거부(Rice Veto): 탐지와 작동 사이에 위치한 식별 모듈은 신뢰도 게이트를 강제합니다. "벼" 클래스의 예측(신뢰도 점수와 관계없이)은 무조건적인 spray = False를 트리거합니다. 이 거부 기능은 하위 모듈에 의해 덮어쓸 수 없으며, 잡초 탐지 재현율보다 작물의 안전을 우선시합니다.

• LiDAR 기반 내비게이션:

  • 열(Row) 탐지: K-means 클러스터링과 RANSAC 라인 피팅을 사용하는 파이프라인이 2D LiDAR 스캔으로부터 좌우 작물 열 경계를 추출합니다.
  • 추적: 각 열 경계는 독립적인 2상태 확장 칼만 필터(EKF, $x = [d, \phi]^T$)에 의해 추적되며, 이를 통해 시스템은 예측 전용 모드를 통해 짧은 LiDAR 가림 현상 동안에도 추적을 유지할 수 있습니다.
  • 위치 추정: 전역 6상태 CVTR(Constant-Velocity-Turn-Rate) EKF가 GNSS, IMU, 휠 오도메트리를 융합합니다. 이 시스템은 세 단계의 GNSS 단절 브릿징 로직(AVAILABLE/DEGRADED/OUTAGE)을 특징으로 하며, 데드 레커닝(dead reckoning) 중에 불확실성을 반영하기 위해 프로세스 노이즈를 선형적으로 팽창시킵니다.

• LiDAR-카메라 퓨전 브리지:

  • 시스템은 추가적인 하드웨어 비용 없이 내비게이션 LiDAR를 사용하여 시각 파이프라인을 제한합니다.
  • 네 가지 메커니즘: (1) ROI 제약: LiDAR로 탐지된 열 경계가 카메라 이미지에 마스크를 투영하여 추론 영역을 열 사이 구역으로 제한합니다. (2) 세계 좌표 투영: 바운딩 박스가 살포 작동을 위해 지면 평면 좌표로 매핑됩니다. (3) 지면 평면 필터링: LiDAR 데이터가 RGB 전용 시스템을 속이는 진흙이나 물의 반사를 필터링합니다. (4 양방향 신뢰도 융합: LiDAR(물리적 반사 없음)와 카메라(잡초 탐지) 간의 불일치는 탐지 신뢰도를 낮춥니다.

주요 결과

• 위치 추정: 시뮬레이션에서 시스템은 20초간의 GNSS 단절 동안 연속적인 위치 추적을 유지했습니다. 지면 참값(ground truth) 대비 최종 위치 편차는 2.46미터 이내로 제한되었습니다.
• 내비게이션 신뢰도: GNSS 차단 상황을 포함한 운용 전반에 걸쳐 작물 열 탐지 신뢰도가 0.9 이상을 유지했습니다.
• 탐지 성능:
  • WeedDet 모델은 논, 항공, 침수 후 이미지 전반에 걸쳐 0.32에서 0.95 사이의 신뢰도 점수를 가진 벼 탐지를 생성했습니다.
  • 경량 모델은 192×192 해상도에서 IoU 0.5 기준 벼에 대해 24.7% AP를 달-성했으며, 잡초에 대해서는 최대 0.995의 분류 신뢰도를 달성했습니다. 그러나 잡초 AP는 해상도 아티팩트(작은 바운딩 박스가 50% 중첩 임계값을 통과하지 못함)로 인해 IoU 0.5에서 **0.0%**를 기록했습니다. 이는 구조적 결함이 아닌 훈련 해상도의 한계로 인정되었습니다.
• 효율성: LiDAR ROI 제약을 통해 탐지 추론 영역을 약 30%에서 50% 감소시켰으며, 이는 계산 부하를 크게 낮추었습니다.

의의 및 한계점
본 논문의 주요 시스템 수준 기여는 추가 하드웨어 없이 인지 능력을 향 강화하기 위해 내비게이션 센서를 재활용하는 LiDAR-카메라 퓨전 브리지입니다. 또한, 역논리 식별과 하드코딩된 벼 거부 기능은 농업 문헌에서 흔히 간과되는 오분류의 비대칭적 비용 문제를 직접적으로 해결합니다.

저자들은 본 연구가 시뮬레이션으로 검증되었으며, 아직 실제 논 현장에서 물리적 하드웨어로 테스트되지 않았음을 명시적으로 밝히고 있습니다. 다음과 같은 몇 가지 한계점을 인정했습니다:

• 정량적 지표: 데이터셋 주석의 불일치로 인해 WeedDet 모델의 전체 mAP 평가가 완료되지 않았으며, 정성적 검증과 부분적인 위치 추정 지표만 보고되었습니다.
• 하드웨어 격차: 하드웨어 인 더 루프(hardware-in-the-loop) 테스트나 실제 GNSS 단절 특성 분석이 수행되지 않았습니다.
• 캘리브레이션: 퓨전 브리지는 카메라와 LiDAR 사이의 정확한 외부 파라미터(extrinsic) 캘리브레이션에 의존하지만, 본 제출본에는 아직 명시되거나 검증되지 않았습니다.
• 안전성: 시스템은 적대적 입력(예: 풀과 유사한 어린 벼, 물의 반사 등)에 대한 공식적인 안전성 평가를 갖추고 있지 않습니다.

결론적으로, AgriNav는 정밀 논 농업을 위한 실행 가능한 아키텍처 경로를 제공하며, 시뮬레이션에서 현장 배치로 전환하기 위해서는 고해상도 GPU 학습, 실제 캘리브레이션, 안전성 검증 등의 엔지니어링 작업이 필요합니다.