PaperlayerView exact revision on arXiv

Source-linked AI summary

Large-Scale Tunnel Air-Ground Collaboration With FLISP: Fast LiDAR-IMU Synchronized Path Planner

Fenghe Guo, Runjie Shen, Chenyang Sun, Junrui Zhang, Quanxi Zhan, Yongchun Wang, Junjie Zhang

arXiv:2606.25393v2cs.RO

TL;DR

수력발전 터널 점검에는 기존의 단일 로봇 및 지도 의존 방식보다 더 안전하고 효과적인 협업이 필요하다. FLISP는 지도 없는 UGV 중심 LiDAR-IMU 프레임워크를 사용해 동기화된 UGV-UAV 경로를 생성하며, 1.2 km 운영 터널에서 100% 성공률을 달성했다.

  • 문제

    동기화된 UGV-UAV 터널 계획은 여전히 드물며, 지도 의존 시스템은 특징이 없는 터널 형상에서 SLAM 드리프트에 취약하다.

  • 방법

    FLISP는 단일 UGV 탑재 LiDAR-IMU 스트림을 중앙에서 처리해 계층적 지도 없는 계획 파이프라인을 통해 동기화된 UGV-UAV 궤적을 생성한다.

  • 결과

    1.2 km 운영 터널에서 벤치마크와 실제 배치를 수행하는 동안 100% 성공률을 달성했으며, 효율성과 실시간 제어 측면에서 지도 기반 기준 방법을 능가했다.

  • 시사점 및 한계

    FLISP는 대규모의 기하학적으로 퇴화된 수력발전 인프라를 자동 점검하기 위한 실용적 계획 프레임워크를 제공한다.

Abstract

from arXiv · show

Hydropower tunnel inspection is critical for infrastructure integrity yet remains inefficient and hazardous using manual methods. We propose FLISP (Fast LiDAR-IMU Synchronized Path Planner), a mapless planning framework for cooperative UGV-UAV inspection. Unlike traditional map-based paradigms, FLISP features three core contributions: (1) a unified architecture where a single UGV-mounted LiDAR-IMU suite drives synchronized path generation for both platforms; (2) platform-specific solvers utilizing an enhanced Firefly Algorithm for UGV obstacle avoidance and a dynamic iterative optimizer for UAV flight; and (3) a hierarchical refinement strategy ensuring kinematic feasibility without state estimation drift. Benchmarks in a 1.2 km operational tunnel demonstrate that FLISP circumvents structural bottlenecks of map-based methods, eliminating map rasterization overhead (Fast-LIO2 + A*) and sampling instability (LIO-SAM + RRT*). FLISP achieves a 100% success rate with 7 ms latency, representing a 7-fold speedup over grid-based and a three-order-of-magnitude improvement over sampling-based baselines. Validated in operational hydropower tunnels, this approach offers a scalable solution for robotic inspection in feature-degraded linear infrastructure. A demonstration video is available at https://youtu.be/Y_ezs1PfLJ4, and the code at https://github.com/ArchibaldGuo/FLISP.git.

I. 서론 … D. 터널 환경에서의 방법

FLISP는 단일 UGV 탑재 LiDAR-IMU suite를 기반으로 mapless·동기화 UGV-UAV planning을 가능하게 하여 터널 점검의 위험과 한계를 해결한다. 또한 기존의 map 의존적·단일 플랫폼·동질적 multi-robot 접근법과 달리 플랫폼별 path planning과 kinematic refinement를 구분한다.

  • I. 서론: FLISP는 접근할 수 없는 터널 천정부, UAV의 제한된 체공 시간, GPS 차단, 반복적인 texture, 불균일한 지면, multi-agent collision avoidance 등 단일 로봇으로 해결하기 어려운 터널 점검 문제를 대상으로 한다.수동 점검은 노동 집약적이고 위험하며 주관적 오류에 취약하다 –.
  • I. 서론: FLISP는 열화된 터널 환경에서 하나의 UGV 탑재 LiDAR-IMU suite가 포착한 local geometry로부터 동기화되고 충돌이 없는 UGV-UAV path planning을 수행한다.UGV 중심의 수직 통합 architecture는 computational load를 줄이고 SLAM drift accumulation을 방지한다.
  • I. 서론: FLISP는 불균일한 곡면 바닥의 UGV와 수문처럼 고정된 infrastructure 인근의 UAV를 위해 플랫폼별 obstacle-avoidance strategies와 multi-level optimization을 결합한다.이 framework는 서로 다른 플랫폼 제약을 만족하면서 real-time planning을 유지하도록 설계되었다.
  • A. 고전적 path planning algorithms: 고전적 planning은 사전 map에 기반한 global methods와 real-time perception으로 구동되는 local methods를 구분하며, A*, Dijkstra, RRT, APF, DWA, deep learning approaches 등이 이에 포함된다 –.Global planners는 topological·energy·safety constraints를 고려해 reference trajectories를 최적화하는 반면, local planners는 sensor fusion과 kinematic feasibility를 이용해 online trajectories를 생성한다.
  • B. multi-robot systems를 위한 path planning: SAC 및 experience replay를 적용한 MAPPO 를 포함하는 learning-based multi-robot planners와 conflict-based search를 적용한 hybrid-state A* 같은 heuristic methods 는 일반적으로 simulated·structured·homogeneous settings를 대상으로 한다.이러한 가정은 map이 없고 non-convex한 터널 geometry와 heterogeneous kinematic constraints에 대한 generalization을 제한한다.
  • C. heterogeneous multi-robot systems를 위한 path planning: Heterogeneous UAV-UGV systems는 일반적으로 UAV global mapping과 UGV local sensing을 결합하고, centralized nodes 또는 mediator agents가 데이터를 조정하며 conflicts를 해결한다,,.tether optimization을 적용한 LiDAR-based collaborative planning 은 computational overhead를 유발하여 stepwise motion을 만들고 real-time agility를 제한할 수 있다.
  • D. 터널 환경에서의 방법: 터널 planning methods는 불균일한 terrain, GNSS 차단, 기하학적 uniformity, 저조도 또는 곡선 구간에서의 불안정한 perception으로 여전히 어려움을 겪으며, 기존 접근법은 일부 UAV 또는 UGV estimation problems만 다룬다,.이러한 한계는 열화된 선형 infrastructure를 위한 unified solution의 필요성을 제기한다.
  • D. 터널 환경에서의 방법: 기존 synchronous UGV-UAV frameworks는 drift가 발생하기 쉬운 global SLAM에 의존하는 반면, subterranean systems –와 single-platform mine planners, 는 flat traversability를 가정하거나 플랫폼을 분리하는 경우가 많다. FLISP는 대신 플랫폼별 constraints를 적용한 simultaneous mapless planning을 수행한다.featureless geometry에서 SLAM이 실패하면 collaborative system 전체가 붕괴할 수 있으며, flat-ground assumptions는 곡선형 터널 바닥에서 heavy-UGV kinematics를 반영하지 못한다.

III. 시스템 아키텍처 … 1) 기초 통로 생성

FLISP는 전역적으로 일관된 지도 없이 동기화된 UGV-UAV 궤적을 생성하고 제어하기 위해 UGV 중심 LiDAR-IMU 아키텍처를 사용한다. 기초 UGV 통로 플래너는 터널 방향을 추정하고, 형상을 적응적으로 샘플링하며, 가려진 경계를 추론하고, 원활한 실행을 위한 장거리 중심선을 생성한다.

  • B. UAV 및 UGV 하드웨어: 하드웨어는 DJI Mavic 3T와 64-line navigation LiDAR-IMU, UAV 추적 센서, 무선 인프라를 탑재한 맞춤형 GPU 장착 UGV로 구성된다.UAV 추적 모듈은 2자유도 짐벌에 장착된 단거리 LiDAR와 단안 RGB 카메라를 사용한다.
  • C. 통신 토폴로지: 이중 라우터 무선 브리지는 UGV, UAV, 터널 입구, Ground Control Station을 연결해 장거리 운용 중 실시간 통신을 제공한다.UGV는 UAV를 위한 로컬 Wi-Fi 영역을 생성하고, Ethernet으로 Ground Control Station에 연결된 고정 입구 라우터와 무선으로 연결된다.
  • D. 운용 철학: FLISP는 고정 주기의 짐벌-카메라 영상을 온라인으로 수집하고 터널을 오프라인으로 재구성하므로, 정합을 위해 일정한 속도와 지터 없는 궤적이 필요하다.이 운용 전략은 특징이 없는 터널에서 drift로 인해 온라인 결함 위치 추정이 저하될 수 있는 실시간 SLAM에 대한 의존을 피한다.
  • IV. 고속 LiDAR-IMU 동기화 경로 플래너: FLISP는 LiDAR-IMU 데이터와 로컬 오도메트리를 사용하는 UGV 중심 아키텍처를 통해 UGV 인지, 계층적 UAV 계획, 피드백 제어를 조정한다.시스템에는 전역적으로 일관된 지도가 필요하지 않지만, 단기 궤적 추적을 위해서는 정확한 UGV 로컬 오도메트리가 여전히 필요하다.
  • A. 계층적 UGV 경로 플래너: 계층적 UGV 플래너는 통로 생성, 정제, 동적 및 안전 제약 평활화로 구성되며, 통로는 실행 가능한 움직임을 위한 장거리 형상을 제공한다.이 예측적 형상은 점진적인 미세 조정을 위한 yaw gradient를 제공해 느리게 반응하는 휠 암에 대응하고 급격한 조향 명령으로 인한 충돌 위험을 줄인다.
  • 1) 기초 통로 생성: 기초 통로 단계는 터널 벽에 대한 차량 방향을 추정한 다음, 원시 센서 데이터에서 거칠지만 방향이 올바른 중심선을 도출한다.6축 IMU는 자기적으로 복잡한 환경에서 절대 yaw를 제공하지 못하므로, 플래너는 샘플링된 벽 법선으로부터 상대 yaw를 추정하고 이를 자세 쿼터니언에 융합한다.
  • 1) 기초 통로 생성: 적응형 binning은 yaw에 의존하는 step size를 사용해 회전 구간의 경로 해상도를 높이는 동시에 직선 터널 구간의 계획을 가속한다.각 bin에서 플래너는 통로 형상을 피팅하기 전에 가장 왼쪽과 가장 오른쪽 경계점을 추출한다.
  • 1) 기초 통로 생성: 다중 레벨 경계 피팅은 물 반사로 인해 발생한 LiDAR 공동을 연결해 국소적으로 파편화된 point cloud에서도 경로 연속성을 보존한다.그 결과 생성된 초기 UGV 경로는 피팅된 경계 사이의 중간점이지만, 이후 정제 전에는 여전히 잡음이 존재할 수 있다.

2) 경로 강건화 및 정제

정제 단계에서는 Bayesian 이상치 보정을 사용해 잡음에 민감한 coarse path를 더 매끄럽고 신뢰성 높은 궤적으로 변환한다. 그런 다음 3D point cloud의 고도에 지형을 fitting해 보정된 경로를 터널 바닥에 투영하고, 지면 topology를 따른다.

  • Bayesian 경로 보정: Bayesian 정제는 sensor noise로 유발된 이상치를 보정해 초기 경로의 smoothness와 reliability를 향상한다.정제 전 초기 경로는 coarse blueprint로 취급한다.
  • Bayesian 경로 보정: 각 점의 예측 위치는 인접 점에서 forward 및 backward linear interpolations를 수행한 결과를 평균해 계산한다.이 방법은 결합 전에 서로 다른 local predictions를 계산한다.
  • Bayesian 경로 보정: 측정 오차는 Gaussian distributions로 모델링하며, 정상 점에는 더 작은 σn을, 이상치에는 더 큰 σo를 사용한다.오차는 실제 위치와 예측 위치의 차이로 정의한다.
  • Ground-topology 투영: 보정된 2D 경로는 3D point cloud에서 고도를 fitting해 터널 바닥에 투영하며, 그 결과 ground topology를 따르는 3D 경로를 생성한다.이 투영 단계는 Fig. 9에 도시되어 있다.

3) 동적 안전성과 장애물 회피

FLISP는 플랫폼별로 조정된 경로 중심 안전 통로를 사용해 동적 장애물을 처리한 뒤, 경로 정렬 공간 분할로 탐지를 가속한다. 회피가 필요하면 향상된 Firefly Algorithm이 터널 벽면 인근에서 동적으로 증가하는 기울기 패널티를 적용하며 제약된 1D 횡방향 최적화를 수행한다.

  • 동적 장애물 탐지: FLISP는 경로 중심 안전 통로를 구성하고 그 내부에서만 장애물을 검사하며, UGV에는 직육면체 볼륨을, UAV에는 원통형 볼륨을 사용한다.탐지 볼륨은 전역 좌표계에서 각 경로 세그먼트별로 정의되며 플랫폼별 형상에 맞게 조정된다.
  • 동적 장애물 탐지: 경로 정렬 1D grid는 O(1) indexing으로 LiDAR 포인트를 매핑하고, 정확한 기하 검사를 점유 셀로 제한하면서 정확도를 유지한다.이 broad-phase 필터는 10 ms 제어 주기 내에서 밀집 LiDAR 프레임에 필요한 O(N · M) brute-force 부담을 줄인다.
  • 국소 회피 최적화: 장애물이 탐지되면 향상된 FA는 터널 단면 내에서 1D 횡방향으로 탐색하며 터널 경계 및 최대 경사각 제약을 동시에 적용한다.축소된 탐색 공간은 수렴을 가속하면서 UGV에 대해 충돌이 없고 물리적으로 실현 가능한 경로를 유지한다.
  • 국소 회피 최적화: 동적으로 가중된 cost는 벽면 인근에서 기울기 패널티를 비선형적으로 증가시켜 곡선형 터널 형상에서 전복을 방지하는 soft barrier를 형성한다.목적 함수는 장애물 여유 거리를 보상하는 동시에 중심 편차와 과도한 기울기를 패널티로 부과한다.

4) 최종 경로 평활화 및 자세 보정

최종 단계에서는 보정된 경로를 매끄럽고 실행 가능한 UGV 궤적으로 변환한다. FLISP는 각도 축소, 적응형 전이점, 방향 보간, 쿼터니언 기반 변환을 통해 전복 위험을 줄인다.

  • 최종 경로 평활화 및 자세 보정: FLISP는 최종 경로를 평활화하고 축소 계수를 사용해 측정된 각도를 감쇠하여 전복 위험을 완화한다.이 자세 보정은 실행 가능한 궤적을 생성하기 전에 적용된다.
  • 최종 경로 평활화 및 자세 보정: 이 방법은 요 각도의 크기로부터 전이점 개수를 적응적으로 결정한다.전이점 개수는 Eq. (22)를 사용해 계산된다.
  • 최종 경로 평활화 및 자세 보정: 차량 방향은 전이점 전반에 걸쳐 선형 보간되며, 이후 쿼터니언이 로컬 위치를 실행 가능한 UGV 경로 ϕ로 변환한다.쿼터니언 기반 최종 변환은 Eq. (24)에 정의되어 있다.

B. UAV PATH PLANNER · 1) 초기 경로 계획 · 2) 동적 샘플링 반복 경로 최적화

UAV planner는 정제된 UGV 경로로부터 통신, 고도, 장애물 제약을 적용하며 동기화된 공중 경로를 계층적으로 도출한다. 먼저 통신 안전 경로를 초기화한 뒤, 다목적 비용 함수를 사용해 waypoint 후보를 동적으로 최적화하여 최종 경로를 생성한다.

  • B. UAV PATH PLANNER: UAV planner는 정제된 UGV 경로 ϕ를 기준으로 사용하면서, 동기화된 이동을 위해 공중 통신, 고도, 장애물 제약을 적용한다.이 계층 구조는 UGV와의 협조를 유지하면서 UAV의 기동성을 활용한다.
  • 1) 초기 경로 계획: 초기 UAV 경로 Γinitial은 최저 고도 경로 Plowest를 중심으로 구성된 통신 안전 제약에 목표 고도 지점 Ph를 투영하여 형성된다.Plowest는 정제된 UGV 경로에서 생성되며, Ph는 터널 중심선에서 투영된다.
  • 2) 동적 샘플링 반복 경로 최적화: FLISP는 각 초기 경로 waypoint 주변의 극좌표에서 후보 waypoint 점 ζi를 동적으로 샘플링하여 평활성과 장애물 회피를 최적화한다.반복 최적화 과정은 Fig. 12에 요약되어 있다.
  • 2) 동적 샘플링 반복 경로 최적화: 안전 비용 J1은 원통형 통로 내부에서 장애물 근접성을 패널티로 부과하며, 평활성 비용 J2는 직선으로부터의 편차를 패널티로 부과한다.장애물 패널티는 이차식이며 장애물과 경로 선분 사이의 거리에 따라 달라진다.
  • 2) 동적 샘플링 반복 경로 최적화: 진행 보상 J3은 효율적인 목표 지향 이동을 선호하는 반면, 고도 일관성 비용 J4는 에너지 사용을 줄이기 위해 불필요한 고도 변화를 패널티로 부과한다.이 항들은 함께 후보를 평가하는 데 사용되는 다목적 비용 함수로 결합된다.
  • 2) 동적 샘플링 반복 경로 최적화: 최종 최적화 UAV 경로 ϵ은 전체 비용을 최소화하여 선택된 후보 점들의 순서로 구성된다.이를 통해 초기 안전 경로가 최적화된 공중 궤적으로 변환된다.

C. 궤적 계획 및 제어기 … 1) 명목 계획 강건성

FLISP는 센서에서 도출된 운동학을 고려한 waypoint를 경량 생성 방식과 feedforward PD 제어를 사용해 두 차량의 실행 가능한 궤적으로 변환한다. 시뮬레이션에서는 터널 형상 전반에 걸쳐 명목 추종, 동적 장애물 회피, 실행 시간 효율을 평가했으며, UGV는 희소 point cloud와 잡음에도 강건한 안정성을 보였다.

  • C. 궤적 계획 및 제어기: FLISP는 센서 데이터에서 고품질의 운동학을 고려한 경로를 직접 생성해 계산 비용이 큰 궤적 최적화 계층을 피하고 경량 추종을 가능하게 한다.이 설계는 표준 궤적 생성과 단순한 제어기를 지원한다.
  • C. 궤적 계획 및 제어기: 이산 FLISP waypoint를 두 플랫폼의 연속적인 시간 매개변수화 궤적으로 변환한다.UGV는 minimum-jerk quintic-polynomial interpolation을 사용하며, 동적 시간 재할당으로 속도 및 가속도 제한을 만족시킨다.
  • C. 궤적 계획 및 제어기: UAV에는 곡률을 고려한 시간 할당을 적용한 비균일 B-spline을 사용하며, 최종 단계에서 동적 제약을 만족시키기 전에 코너에서 자동으로 감속한다.곡률 파라미터는 k_curv = 8.0 및 p = 1.5다.
  • C. 궤적 계획 및 제어기: feedforward PD 제어기는 상태 오차를 각 플랫폼의 inner-loop 제어기를 위한 속도 명령으로 변환해 두 차량이 생성된 궤적을 추종하도록 한다.이 제어기는 UGV와 UAV 모두의 outer loop로 사용된다.
  • V. 시뮬레이션 실험: 고충실도 Gazebo 시뮬레이션은 파라미터 조정과 스트레스 테스트를 위해 곡률이 다양하고 수문이 포함된 직경 13 m의 용수 운반 터널 구간을 재현했다.환경은 실제 자산에 위험을 초래하지 않도록 설계했다.
  • A. 성능 평가: FLISP는 대표 시각화, 시나리오별 100회의 독립 시행, 정량적 실행 시간 분석을 사용해 명목 추종, 동적 장애물 회피, 실행 시간 효율을 평가받았다.경로는 Figs. 15–17, 평가지표는 Table 1, 실행 시간 분포는 Fig. 18에 제시한다.
  • 1) 명목 계획 강건성: 직선 구간 시행의 6%에서 편차가 나타났지만, 계층적 fitting은 희소 point cloud에도 곡선 구간에서 연속적인 바닥 정렬을 유지했다.point-cloud 밀도가 증가할수록 UGV 경로 안정성도 향상되었다.

2) 장애물 회피 역량 • … 1) 환경 강건성 및 센서 안정성

FLISP는 정상, 장애물, 수문 시나리오에서 원활한 장애물 회피와 10 ms 미만의 시뮬레이션 계획을 결합한다. 1.0 km 이상 현장 배치에서는 진동으로 인한 경로 절단이 나타났지만, 빈번한 재계획으로 운영상 영향은 미미했다.

  • 2) 장애물 회피 역량 •: FLISP는 단일 및 다중 인력 장애물 환경에서 경사와 경로 길이 제약을 준수하며 원활한 UGV 회피 경로를 생성했으며, UAV 고도 분리는 최소한의 편차만 요구했다.또한 곡선형의 희소 데이터 환경에서 강건한 수렴을 보였다.
  • 3) 실행 시간 효율 분석: 장애물 시나리오의 6.2-8.8 ms 계산 시간과 약 1.5 ms의 수문 UAV 지연 시간으로 모든 실행이 10 ms 안전 임계값 이내에 유지됐다.일반 터널의 UAV 계획은 대체로 1 ms 미만이었으며, 수문 지연 시간은 잠수 및 복귀 기동을 위한 3D 장애물 분할과 특징 추출 때문에 증가했다.
  • B. 정량적 지표: 곡선 구간에서는 더 긴 경로와 더 많은 웨이포인트가 생성됐지만, UAV는 전방향 주행과 고도 조절이 가능한 코너 절단을 통해 UGV보다 일관되게 더 적은 웨이포인트와 더 짧은 경로를 사용했다.이러한 지표는 100회의 시뮬레이션 시행에 걸쳐 요약됐다.
  • VI. 현장 실험: UGV는 기능성 터널에서 1.0 km를 주행했으며, 마지막 200 m는 깊은 실트가 차체의 기계적 여유 공간을 초과했기 때문에 제외됐고 알고리즘 한계 때문은 아니었다.제한된 지형에서 엄격한 안전 프로토콜을 적용했다.
  • A. 실험 플랫폼 및 환경: 실험 플랫폼은 Intel i7-12700, GTX 4060-8G, 32 GB RAM, Ouster OS1-64 LiDAR를 탑재한 자체 개발 UGV와 DJI Mavic 3T UAV로 구성됐다.추가적인 Livox, RGB 및 검사 카메라는 위치 추정 또는 검사 작업을 지원했다.
  • A. 실험 플랫폼 및 환경: 대표적인 현장 시나리오 8개는 특정 기하학적 특징에 부하를 가하고 연속 곡선을 제외한 시뮬레이션 벤치마크를 재현했으며, feedforward controller가 생성된 경로를 실행했다.해당 controller는 다항식 기하를 UGV 모터 명령과 MAVLink를 통해 전송되는 UAV 속도 설정값으로 변환했다.
  • B. 성능 분석 및 결과: 현장 평가는 기능성 수력 터널에 배치한 후 환경 강건성, 동적 장애물 회피, 시뮬레이션과의 정량적 일관성을 분석했다.따라서 본 연구는 운영상 교란과 시뮬레이션 성능 차원을 연결했다.
  • 1) 환경 강건성 및 센서 안정성: 진동으로 인한 LiDAR step 손실은 원거리 경로를 일반적으로 2–3 m만큼 절단해, 50 m horizon 대신 47–48 m 경로를 생성했다.빈번한 재계획과 receding-horizon 전략으로 이러한 미미한 절단의 운영상 영향은 무시할 수 있었다.

2) 휴대형 장애물 시나리오를 통한 강건성 검증 … A. 실험 설정 및 Baselines

FLISP는 휴대형 LiDAR jitter 조건에서 stress test를 수행했으며, 실제 환경과 시뮬레이션 조건 모두에서 경로 유효성, lookahead, 낮은 latency를 안정적으로 유지했다. 공정한 평가를 위해 동일한 sensor inputs, 조정된 map-based baselines, local sliding-window processing을 사용해 비교 benchmarking을 수행했다.

  • 2) 휴대형 장애물 시나리오를 통한 강건성 검증: 심한 휴대형 LiDAR jitter에서도 FLISP는 Scenarios 4와 6에서 45–48 m의 경로 감소가 발생했음에도 전체 경로 길이를 50 ± 5 m 이내로 유지하고 충분한 lookahead를 확보했다.이러한 감소는 jitter로 인한 step loss와 obstacle occlusion의 결합에 따른 것으로 분석됐다.
  • 3) Runtime Efficiency 및 Simulation Consistency: Standard planning time은 UGV에서 under 10 ms, UAV에서 3 ms로 유지됐으며, 장애물로 인해 UAV latency는 3–4 ms로 증가했지만 UGV latency는 ≈6 ms로 불변이었다.UGV의 안정성은 해석적으로 결정되는 경로 구조와 clutter sensitivity를 낮추는 1차원 Firefly optimization에 기인했다.
  • 3) Runtime Efficiency 및 Simulation Consistency: 실제 환경 실행은 시뮬레이션보다 약간 느리고 변동성이 컸지만, 경로 topology는 유사하게 유지됐으며 안전한 고속 tracking을 위해 lookahead는 일관되게 45 m를 초과했다.Step loss는 실현된 경로 길이를 줄였지만 필요한 lookahead를 제거하지는 않았다.
  • VII. COMPARATIVE EXPERIMENTS AND DISCUSSION: 비교 연구에서는 물리적 실행 간 변동을 제거하기 위해 동일한 sensor inputs를 사용해 1.2 km tunnel dataset에서 standardized offline benchmark를 수행했다.평가는 통제된 조건에서 FLISP와 map-based paradigms를 비교했다.
  • A. 실험 설정 및 Baselines: Baselines는 Informed RRT* [44]를 적용한 LIO-SAM 과 Grid A* [46]를 적용한 Fast-LIO2 였으며, FLISP의 hierarchical polynomial-fitting planner도 함께 비교했다.Informed RRT*는 타원체 heuristic과 제한된 tunnel에서의 이론적 convergence acceleration 때문에 선택됐다.
  • A. 실험 설정 및 Baselines: 두 map-based baseline은 global SLAM maps에서 동적으로 정렬된 local sliding windows를 사용해 곡선 구간에서도 sensor coverage를 유지하면서 computational complexity를 제한했다.Windows는 각각 LIO-SAM 또는 Fast-LIO2의 vehicle odometry에 맞춰 정렬됐다.
  • A. 실험 설정 및 Baselines: 평가에서는 smoothness, latency, tortuosity를 정량화했으며, latency는 maximum UGV or UAV cycle time, tortuosity는 path length divided by horizon length로 정의했다.Tortuosity가 1에 가까우면 효율적인 경로를 의미하며, planning과 SLAM drift를 분리하기 위해 valid localization이 확보된 segment 내에서 metric을 계산했다.
  • A. 실험 설정 및 Baselines: SLAM-front-end stochasticity를 줄이기 위해 baseline 결과는 IMU bias convergence 이후 t = 40s에 초기화한 five independent trials의 평균으로 산출했다.초기화 동안 UGV는 tunnel entrance gate에 정지해 있었다.

B. Baseline Parameter 민감도 분석 … 2) 근본 원인 및 동적 분석

Baseline 보정 결과 Informed RRT*의 운용점은 25 m와 10.0 rad, Grid A*의 운용점은 30 m와 0.1 m로 식별된다. 깊은 터널에서는 매핑 성능 저하로 서로 다른 계획 artifact와 동적 위험이 발생하는 반면, FLISP는 동기화된 저지연 협업을 유지한다.

  • 1) Method II (Informed RRT*): 25 m horizon과 10.0 rad threshold는 첫 유효 경로에서 latency를 측정하면서 Informed RRT*를 100% success로 보정한다.Sampling space가 지수적으로 확장되므로 30 m를 넘으면 success rate가 급락하며, threshold는 통계적 상한 µ + σ와 같다.
  • 2) Method III (Grid A*): Grid A*는 30 m horizon과 0.1 m resolution을 선택한다. 더 긴 horizon에서는 occlusion으로 벽의 곡률이 사라지고, 더 미세하거나 거친 grid에서는 latency 또는 blockage가 발생하기 때문이다.0.05 m grid에서는 약 369 ms latency가 발생하는 반면, 0.15 m를 초과하는 resolution에서는 obstacle dilation으로 바닥과 벽이 합쳐진다.
  • 1) 현상학: Mapping 및 Path Evolution: 깊고 featureless한 터널 곡선에서는 입구 이후 mapping이 발산하며, LIO-SAM은 stochastic drift, map overlap, vertical jitter, 간헐적인 pose decoupling을 보인다.관찰된 LIO-SAM failure mode는 map을 사용할 수 없게 만들고 navigation을 실행 불가능하게 할 수 있다.
  • 1) 현상학: Mapping 및 Path Evolution: Fast-LIO2는 LIO-SAM보다 더 오래 localization을 유지하지만, longitudinal stagnation과 estimator slip을 통해 결국 overlapping map artifact를 형성한다.따라서 두 방법은 유사한 overlapping artifact로 수렴하더라도 서로 다르게 성능이 저하된다.
  • 1) 현상학: Mapping 및 Path Evolution: Informed RRT*는 굴곡지고 smooth하지 않은 path를 생성하는 반면, A*는 centerline을 근사하지만 yaw deviation 또는 curvature가 있을 때 sawtooth discretization artifacts를 유지한다.UAV에 적용된 더 완화된 제약에서는 Informed RRT*의 불규칙성이 더욱 두드러진다.
  • 2) 근본 원인 및 동적 분석: gate는 geometric anchor로 작동한다. curvature가 이를 가리면 시스템은 longitudinal 및 yaw constraint를 잃으며, 이는 feature loss가 근본적인 mapping failure임을 시사한다.Feature loss와 vibration을 구분하기 위해 handheld 128-beam LiDAR control experiment를 수행했다.
  • 2) 근본 원인 및 동적 분석: Path artifact는 불규칙한 steering, Informed RRT*에서의 wall climbing, roll and vibration, Grid A*에서의 control oscillation을 통해 UGV를 불안정하게 만든다.이러한 효과는 데이터 품질을 저하시키고, 불필요한 기동과 중력 저항으로 인한 에너지 소비를 증가시킨다.
  • 2) 근본 원인 및 동적 분석: FLISP는 7 ms로 동작하며 UGV의 50 m baseline에서 UAV path를 도출해 spatial synchronization을 강제하고 control phase lag를 줄인다.이는 cycle당 평균 약 100 ms가 걸리는 optimization-based planner와 대조된다.

D. 정량적 벤치마크 및 효율성 분석 · VIII. 결론

1.2 km 운영 터널에서 5회 시행한 벤치마크 결과, FLISP는 신뢰성 높고 지연이 낮으며 자원 효율적인 planning을 달성한 반면, map-based baseline은 실패, 불연속 경로, 상당한 계산 오버헤드를 보였다. 결론에서는 FLISP를 위험 인프라 점검을 위한 lightweight mapless framework로 제시하고, junction과 safety-critical low-level control로의 확장 방향을 제시한다.

  • D. 정량적 벤치마크 및 효율성 분석: Method III는 FLISP(τ = 1.03)보다 낮은 경로 tortuosity(τ = 1.02)를 달성하지만, FLISP의 경로가 훨씬 더 매끄럽다(0.016 rad 대 6.068 rad).Grid-based baseline의 경직된 piecewise-linear 경로는 각진 지그재그를 만들지만, FLISP는 smooth control input을 위해 high-order continuity를 우선한다.
  • D. 정량적 벤치마크 및 효율성 분석: 7.05 ms의 system latency로 FLISP는 49.93 ms인 Method III보다 ∼7배 빠르며, Method II보다 세 자릿수 규모의 이점을 보인다.이 비교는 FLISP의 속도가 dense map 유지 관리가 아니라 sparse point cloud에 대한 direct geometric fitting에서 비롯된다고 설명한다.
  • D. 정량적 벤치마크 및 효율성 분석: Method III의 계산 예산 중 80% 이상은 A* search 자체가 아니라 grid rasterization과 C-space generation에 소모된다.FLISP는 이러한 map-maintenance 단계를 우회하여 planning speed를 environmental resolution requirement와 분리한다.
  • D. 정량적 벤치마크 및 효율성 분석: FLISP는 CPU load 1.37%와 RAM 39.7 MB를 사용하는 반면, Method III는 1037.3 MB를 사용하며 map-based planning은 cycle당 약 6초를 소모할 수 있다.이 footprint는 SWaP가 제한된 platform에서 onboard perception과 control을 동시에 수행할 수 있도록 한다.
  • D. 정량적 벤치마크 및 효율성 분석: FLISP의 high-frequency mapless replanning은 mud, water 또는 ground contact 상실로 발생하는 일시적인 wheel-encoder odometry failure를 완화한다.이는 persistent map에 의존하지 않고 최신의 유효한 LiDAR frame을 기준으로 state를 암묵적으로 reset하여 물리적 한계를 해결한다.
  • VIII. 결론: FLISP는 하나의 LiDAR-IMU stream을 degenerate infrastructure를 위한 안전한 synchronized UGV-UAV trajectory로 변환하는 lightweight hierarchical-polynomial, mapless framework로 제시된다.그 feasibility는 종합적인 benchmark와 1.2 km 운영 터널에서의 deployment를 통해 검증되었다.
  • VIII. 결론: 향후 연구에서는 complex junction을 위한 topological decision-making을 추가하고, FLISP를 병행 연구에서 개발된 CBF consensus tracking controller 와 통합할 예정이다.제안된 통합은 FLISP의 reference generation과 physical platform에서의 safety-critical low-level execution을 결합하는 것을 목표로 한다.

부록: 로컬 플래너의 실증 분석 … D. 계산 효율

제약이 있는 3D 터널 전반에서 FLISP는 TEB와 2D 로컬 플래너에서 관찰된 운동학적·폐색·위상적·계산적 실패를 피한다. 기하학적 차원 축소를 통해 50m horizon을 ∼7ms에 평가하므로 > 100Hz planning이 가능하다.

  • 부록: 로컬 플래너의 실증 분석: 이 부록은 동일한 LiDAR streams와 safety parameters를 사용해 TEB와 FLISP를 비교하고, 운동학·위상적 복원력·계산 효율을 평가한다.평가는 0.1m resolution과 0.7m inflation을 사용하는 제약된 3D 터널 환경을 대상으로 한다.
  • A. 이질적 Lookahead Paradox: 짧은 5m horizons에서는 이질적인 플랫폼이 서로 양립할 수 없는 local behaviors를 요구하기 때문에 UGV 경로가 불안정해지고 UAV segments가 톱니 모양이 된다.UGV의 jitter는 고주파 steering inputs를 생성하는 반면, UAV는 reactive straight-line segments를 반복적으로 생성한다.
  • B. Local Occlusion Trap (Roof-Shadow Blind Spot): SLAM 기반 mapping은 roof-shadow void를 메우고 이 특정 straight-line artifact를 방지할 수 있지만, 이후 깊은 곡선에서 발생하는 global-map collapse까지 막지는 못한다.이 이점은 깊게 굽은 터널에서 설명된 더 광범위한 localization failure를 방지하지 못한다.
  • B. Local Occlusion Trap (Roof-Shadow Blind Spot): TEB의 roof-shadow blind spot은 궤적을 인지된 cost-free void로 끌어당겨, 곡선 터널에서 UGV를 외벽 쪽으로 유도한다.Figure 30은 선택한 horizon과 무관하게 이 artifact를 보여준다. 5m horizons에서는 UAV flight oscillation과 UGV control jitter도 발생한다.
  • B. Local Occlusion Trap (Roof-Shadow Blind Spot): 10m horizons에서 TEB는 soft constraints가 충돌하면서 dynamically infeasible mid-path kinks를 생성하며, 곡선 터널의 straight segments는 rollover hazards를 유발한다.straight-line artifact는 직선 구간에서는 무해하지만, 곡선 pipe를 통과하도록 실행되면 안전하지 않다.
  • C. Roll Perturbation 상황에서의 Topological Deadlock: 2D costmap projection은 곡선 sidewall로의 UGV roll을 회복 불가능한 pseudo-collision deadlock으로 바꿀 수 있지만, FLISP는 유효한 3D recovery path를 생성한다.FLISP는 native 3D geometry와 IMU gravity vector를 사용해 Figure 31에 제시된 유효한 corridor를 따라 회복한다.
  • D. 계산 효율: 50m horizon의 ∼7ms evaluation을 통해 FLISP는 > 100Hz real-time performance를 제공하는 반면, TEB computation은 높은 variance와 함께 100ms를 초과한다.비교에는 동일한 onboard computing platforms에서 수행한 300 planning cycles가 사용되었으며, Table 5는 update당 processing time을 요약한다.
Loading 2606.25393v2…