Earticle

초록

영어

Autonomous delivery robots operating in indoor and outdoor pedestrian areas must distinguish physical collisions from routine motion disturbances. Fixed-threshold inertial detectors are prone to false alarms caused by uneven surfaces, abrupt maneuvers, and wheel slip. Meanwhile, many learning-based methods rely on dedicated collision sensors or are evaluated only in constrained settings. In this paper, we present a hybrid multi-sensor collision detection framework that uses existing onboard signals. The framework's first component uses Direct LiDAR-Inertial Odometry (DLIO) estimates to evaluate command-to-motion residuals and a forward-velocity discrepancy cue against adaptive thresholds. Its second component uses a Temporal Convolutional Network (TCN) to fuse control inputs, odometry, filtered impact indicators, and a depth-based person-proximity cue. The classifier separates physical collisions from normal driving and collision-like human interference, while temporal refinement converts frame-wise predictions into stable event-level decisions. We evaluate the framework in indoor, outdoor, and mixed environments using 55 collision and 56 interference events collected across six independent sessions. The comparison with an adaptive rule-based baseline further indicates that the framework can suppress false collision decisions under the tested conditions.

한국어

실내외 보행자 구역에서 작동하는 자율 배달 로봇은 물리적 충돌과 일상적인 움직임 방해를 구분해야 합니다. 고정 임계값 관성 검출기는 울퉁불퉁한 표면, 갑작스러운 조작, 바퀴 미끄러짐 등으로 인해 오검출이 발생하기 쉽습니다. 반면, 많은 학습 기반 방법들은 전용 충돌 센서에 의존하거나 제한된 환경에서만 평가됩니다. 본 논문에서는 기존의 온보드 신호를 활용한 하이브리드 다중 센서 충돌 감지 프레임워크를 제안합니다. 프레임워크의 첫 번째 구성 요소는 직접 라이다-관성 측정(DLIO) 추정을 활용해 명령과 움직임 간의 잔차와 적응 임계값에 따른 전방 속도 차이 신호를 평가합니다. 두 번째 구성 요소는 시간적 합성곱 신경망(TCN)을 사용해 제어 입력, 주행 거리 측정, 필터링된 충격 지표, 그리고 깊이 기반 사람 근접 신호를 융합합니다. 분류기는 물리적 충돌과 일반 주행, 충돌 유사 인간 개입을 구분하며, 시간적 정교화는 프레임별 예측을 안정적인 이벤트 수준의 결정으로 전환합니다. 우리는 6개의 독립 세션에서 수집한 55건의 충돌과 56건의 간섭 사건을 활용해 실내, 실외, 혼합 환경에서 이 프레임워크를 평가했습니다. 적응형 규칙 기반 기준선과의 비교를 통해, 이 프레임워크가 테스트된 조건에서 잘못된 충돌 판단을 억제할 수 있음을 추가로 확인했습니다.

목차

요약
ABSTRACT
Ⅰ. Introduction
Ⅱ. Related Works
1. Threshold and Sensor-based Collision Detection
2. Learning-based and Data-Driven Approaches
3. Motion-Based and Adaptive Collision Detection
Ⅲ. Methodology
1. Dynamic Threshold-Based Collision Detector
2. Deep Learning-Based Collision Detection and System Integration
Ⅳ. Experiments
1. Robot Platform and Sensor Configuration
2. Dataset Configuration and Experimental Setups
3. Comparative Evaluation with Rule-Based Method
4. Comparison of Deep Learning Temporal Architectures
Ⅴ. Conclusion and Future work
ACKNOWLEDGEMENTS
REFERENCES

키워드

저자

• 전재진 [ Jaejin Jeon | 아주대학교 D.N.A플러스 융합학과 석사과정 ] 주저자
• 류성훈 [ Seonghoon Ryu | 아주대학교 D.N.A플러스 융합학과 석사과정 ] 공저자
• 정승우 [ Seungwoo Jeong | 철도기술연구원 첨단물류시스템연구실 연구원 ] 공저자
• 이상덕 [ Sang-Duck Lee | 철도기술연구원 철도피지컬AI연구실 선임연구원 ] 교신저자
• 이수목 [ Soomok Lee | 케네소 주립대학교 컴퓨터공학과 조교수 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  한국ITS학회논문지 [The Journal of The Korean Society of Intelligent Transport Systems]

• 간기

  격월간

• pISSN

  1738-0774

• eISSN

  2384-1729

• 수록기간

  2003~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 326 DDC 338