강건한 험지 자율주행: 경로 계획 알고리즘의 벤치마크와 Hybrid A*-guided Model Predictive Path Integral의 개발 = Robust Navigation in Rough Terrains: Benchmark of Path Planning Algorithms and Development of Hybrid A*-guided Model Predictive Path Intregral

다국어 초록 (Multilingual Abstract)

Autonomous navigation in rough terrains is challenging because physical properties of the terrain, such as slope and surface roughness, have a direct impact on driving stability, making it difficult to ensure reliable traversal using path planning based solely on obstacle avoidance. This study compares the performance of representative local path planning algorithms, including Dynamic Window Approach(DWA), Timed Elastic Band(TEB), Regulated Pure Pursuit(RPP), and Model Predictive Path Integral(MPPI), based on 2.5D costmap that incorporates traversability information, and experimentally demonstrates that existing algorithms suffer from instability, inefficient paths, and collisions in unstructured terrains. To overcome these limitations, this paper proposes an integrated planning framework called Hybrid A*-guided MPPI. In the proposed method, Hybrid A* generates a reference path that prioritizes regions with low slope and roughness based on traversability evaluation, and MPPI optimizes local control inputs along this path. This structure enables global path strategy and local control optimization to be organically combined within a single framework, maintaining consistency and stability of the overall navigation path while adapting to real-time environmental changes. Experimental results conducted in various rough terrain scenarios show that the proposed method consistently improves key performance indicators, including reduced roll and pitch oscillations, enhanced path smoothness, and increased navigation success rate compared to existing approaches.

목차 (Table of Contents)

• 1. 서론 1
• 2. 관련 연구 및 문제 정의 4
• 2.1. 2D 경로 계획 알고리즘 4
• 2.1.1. 전역 경로 계획 알고리즘 4
• 2.1.2. 지역 경로 계획 알고리즘 5
• 2.2. 험지에서의 주행 가능성 평가 7
• 2.3. 다중 알고리즘을 결합한 하이브리드 경로 계획 기법 8
• 2.4. 문제 정의 9
• 2.4.1. 시스템 구성 설명 9
• 2.4.2. Differential Drive 모델 10
• 2.4.3 Ackermann Steering 모델 10
• 2.4.4. 주행 가능성 평가를 통한 주행 11
• 3. 주행 가능성 평가 기반의 지역 경로 계획 12
• 3.1. 2.5D 주행을 위한 주행 가능성 평가 12
• 3.2. 벤치마크를 위한 지역 경로 계획 알고리즘 15
• 3.2.1. Dynamic Window Approach 15
• 3.2.2. Timed Elastic Band 17
• 3.2.3. Regulated Pure Pursuit 18
• 3.2.4. Model Predictive Path Integral 20
• 3.3. 벤치마크 전략 24
• 3.3.1. 벤치마크 시나리오 24
• 3.3.2. 평가 지표 25
• 3.4. 벤치마크 결과 26
• 3.5. 분석 및 논의 32
• 4. 주행 가능성 평가 기반의 글로컬 경로 계획 알고리즘 34
• 4.1. 제안된 알고리즘 개요 34
• 4.2. Hybrid A*-guided MPPI 알고리즘 36
• 4.2.1. 최적화 목적 36
• 4.2.2. Hybrid A*내 주행 가능성 맵의 통합 37
• 4.2.3. 탐색 알고리즘 38
• 4.2.4. Hybrid A*-guided MPPI 42
• 4.3. 실험 46
• 4.3.1. 표준 MPPI 와의 비교: 시나리오 1-경로 생성 비교 46
• 4.3.2. 표준 MPPI 와의 비교: 시나리오 2-성능 평가 48
• 4.3.3. 실환경 조건에서의 강건성 평가 51
• 5. 결론 53
• 6. 참조 문헌 54
• Acknowledgement 59