선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
가설 설정
- 광역 위치인식을 위해서는 환경 전체에 대한 표식 지도가 필요하다. 본 연구에서 사용되는 표식 지도는 로봇이 환경 전체에 대한 정보를 모두 얻어 들인 후 제작된 것으로 가정한다. 다음으로 능동적인 kidnap recovery 기법에 대하여 설명한다.
제안 방법
- Kidnap recovery성능을 확인하기 위해 파티클 필터 위치인식이 수행되는 도중에 로봇에게는 정보를 주지 않은 채 로봇의 위치를 옮겨보았다. 로봇은 평균 0.
- 강인한 kidnap recovery를 위하여 본 연구에서는 필요할 경우 새로운 파티클 집합을 환경에 분포시켜 잃어버린 로봇의 위치를 재추정하는 방법을 사용하였다. 새로 추가되는 파티클 집합은 이전에 사용되던 파티클 집합과 독립적으로 작동하고 이전에 사용되던 파티클 집합은 새로운 파티클 집합의 추가 후에 바로 제거되지 않는다.
- 본 연구에서는 파티클 필터 위치인식 방법을 이용하여 전체 환경 내에서 로봇의 위치를 추정한다. 기본적인 파티클 필터 위치인식[14] 방법에 몇 가지 알고리즘을 추가하여 효율적이고 강인한 광역 위치인식 알고리즘을 구현하였다.
- 두 번째로 충분한 수의 점 형상을 추출하기 위해 효과적인 데이터 구조(sliding window)를 이용하였다. TBF 알고리즘은 센서의 위치 변화에 따라 데이터 구조를 업데이트 한다.
- 하지만 단순하게 평균 위치를 점 형상의 위치로 이용할 경우 실제 모서리 위치와 오차가 발생하고 또한 벽의 중간에서도 호가 겹쳐서 잘못된 점 형상이 나타나기도 한다. 따라서 몇 가지 기법을 추가하여 TBF 알고리즘의 성능을 향상시켜 주었다.
- 하지만 이러한 방식으로는 로봇의 회전 시에 충분한 수의 점 형상을 얻을 수 없다. 따라서 새로운 알고리즘은 센서의 위치가 아니라 로봇의 위치 변화를 이용하여 데이터 구조를 업데이트 한다. 이렇게 함으로서 로봇의 회전 시에도 충분한 수의 점 형상을 얻을 수 있고 이를 이용하여 로봇의 방향 추정을 좀 더 정확하게 할 수 있다.
- 본 논문에서는 표식 지도와 강인한 표식 추출 방법을 이용한 파티클 필터 위치인식 알고리즘으로 광역 위치인식과 kidnap recovery를 해결하였다. 우선 선 형상 표식을 이용한 초기화 방법으로 필요한 파티클의 개수를 줄일 수 있었다.
- 본 연구에서 로봇은 위치인식을 위하여 세가지 종류의 표식을 사용한다. 로봇은 주위 환경에서 이 표식들을 추출하고 이를 형상지도 내의 표식들과 비교하게 된다.
- 이번 장에서는 2장에서 설명한 표식들을 이용한 광역 위치인식 알고리즘에 대하여 설명한다. 본 연구에서는 파티클 필터 위치인식 방법을 이용하여 전체 환경 내에서 로봇의 위치를 추정한다. 기본적인 파티클 필터 위치인식[14] 방법에 몇 가지 알고리즘을 추가하여 효율적이고 강인한 광역 위치인식 알고리즘을 구현하였다.
- Effective number의 계산에는 정규화된 가중치(normalized weight) wi 가 사용된다. 본 연구에서도 effective number를 계산해서 재추출 여부를 결정하여 주었다.
- 비전 센서를 이용한 물체 표식 추출을 위해 미리 저장된 데이터베이스와 로봇에서 얻어진 영상의 시각 특징점(visual feature)을 비교하여 저장된 물체를 인식하는 방법을 사용한다. 가전제품, 가구, 액자 등의 물체가 환경 내에서의 물체 표식으로 사용될 수 있다.
- 새로운 파티클 집합을 초기화 할 지의 여부를 결정하기 위해 두 가지 위치인식 성능척도 − 정규화 가중치의 엔트로피(entropy of normalized weight)와 평균 가능도(average likelihood) − 를 사용하였다. 우선 정규화 가중치의 엔트로피 H(식 (4))는 마코프 위치인식[5]에서 사용하는 것과 같이 로봇 위치추정의 불확실성을 계산한다.
- 식 (4)에서 Bel(s)은 상태(state) s에 위치한 파티클의 정규화 가중치의 합을 뜻한다. 엔트로피를 계산하기 위해 전체 상태공간을 그리드로 나눠주었다. 엔트로피 값이 작게 나올 경우는 파티클이 수렴해 있다는 것을 뜻한다.
- 로봇이 이동하면서 영상을 얻고 이 영상에서 저장된물체를 인식한다. 이를 위해 영상에서 MSHC (Multi-scale Harris Corner)[12] 특징점(feature)과 SIFT(Scale Invariant Feature Transform)[13] 특징량(descriptor)으로 이루어진 시각 특징점을 추출한다. 현재 영상에서 MSHC 특징점과 SIFT 특징량을 추출한 후 특징량 벡터를 데이터베이스에 저장된 각 물체의 특징량 벡터와 비교하여 현재 영상내의 물체를 인식한다.
- 재추출 방법으로는 전체 파티클의 개수를 변화시킬 수 있도록 높은 가중치의 파티클을 체계적으로 선택하는 Madow’s 재추출 방법[18]을 변형시켜 사용하였다. 기본적인 Madow’s 재추출 방법에서는 누적된 정규화가중치(accumulated normalized weight)와 누적된 정규화 지수(accumulated normalized index)를 비교하여 체계적으로 재추출을 한다.
- 구현된 알고리즘의 광역 위치인식과 위치 추적 성능을 확인하기 위해 EKF-SLAM을 통해 추정된 위치 정보와 비교를 해 보았다. 즉 표식지도는 EKF-SLAM의 결과로 나온 지도를 사용하였고 이 지도를 제작할 때 사용된 정보 –오도메트리와 센서 정보– 를 이용하여 위치인식을 수행하고 이를 EKF-SLAM에서 추정한 로봇의 위치와 비교하였다. 로봇은 앞에서 설명한 바와 같이 wallfollowing 주행방식으로 전체 환경을 두 바퀴 이동하였고 평균 0.
- 첫 번째로 초음파 센서 호의 모든 교점을 사용하는 대신 안정된 교점(stable intersection)만을 사용하였다(그림 2). 안정된 교점은 두 초음파 호의 사이 각(φ)이 기준 값 이상인 교점을 의미한다.
- 2m/s의 속도로 이동하였다. 파티클 필터에서 로봇의 위치는 파티클의 가중치 평균(weighted mean)을 이용하여 결정하였다. 그림 5에서 EKF-SLAM 에서 추정한 로봇의 위치에 대한 파티클 필터 위치인식의 오차를 확인할 수 있다.
대상 데이터
- 제안된 광역 위치인식과 능동적인 kidnap recovery 알고리즘의 성능을 평가하기 위해 Pointgrey사의 Bumblebee 비전 센서와 12개의 초음파 센서를 갖춘 차동구동 방식의 Pioneer 3-DX로봇(그림 4)을 이용하여 실험을 수행하였다. 실험 환경(그림 3)은 여러 개의 방과 가구, 가전제품 등으로 이루어진 15m× 9m 넓이의 가상가정환경 공간이다. 우선 EKF-SLAM 알고리즘을 이용하여 환경에 대한 표식지도를 제작하였다.
- 제안된 광역 위치인식과 능동적인 kidnap recovery 알고리즘의 성능을 평가하기 위해 Pointgrey사의 Bumblebee 비전 센서와 12개의 초음파 센서를 갖춘 차동구동 방식의 Pioneer 3-DX로봇(그림 4)을 이용하여 실험을 수행하였다. 실험 환경(그림 3)은 여러 개의 방과 가구, 가전제품 등으로 이루어진 15m× 9m 넓이의 가상가정환경 공간이다.
데이터처리
- 구현된 알고리즘의 광역 위치인식과 위치 추적 성능을 확인하기 위해 EKF-SLAM을 통해 추정된 위치 정보와 비교를 해 보았다. 즉 표식지도는 EKF-SLAM의 결과로 나온 지도를 사용하였고 이 지도를 제작할 때 사용된 정보 –오도메트리와 센서 정보– 를 이용하여 위치인식을 수행하고 이를 EKF-SLAM에서 추정한 로봇의 위치와 비교하였다.
이론/모형
- 이전 파티클 집합에서 이동 후의 파티클 위치를 계산하기 위해 로봇의 오도메트리(odometry) 정보에 노이즈를 가해준다. 그리고 차동구동 모델(differential drive model)을 이용하여 이동 후의 위치를 계산한다.
- 로 세 개의 점을 얻어낸다. 그리고 최소자승법(least square fitting)을 이용하여 선 형상을 결정한다. 마지막으로 초음파 센서 빔 폭(beam width)을 고려하여 선 형상의 양쪽 끝점을 결정한다.
- 본 연구에서 사용된 점 형상 표식 추출 기법은 TBF 알고리즘[10]을 기반으로 한다. TBF 알고리즘은 호(arc)모양으로 표현되는 초음파 센서의 정보를 이용하여 점 형상 표식을 추출하는 방법이다.
- 이 방법이 파티클 필터를 이용한 위치인식 법에 사용되는 가장 간단한 방법이고 실제 구현에서도 좋은 결과를 얻을 수 있다. 본 연구에서는 서로 다른 에러 모델(error model)을 가지는 두 종류의 센서를 사용하였다. 다른 종류의 센서를 통해 가능도 (likelihood)값을 얻을 경우에 4.
- 실험 환경(그림 3)은 여러 개의 방과 가구, 가전제품 등으로 이루어진 15m× 9m 넓이의 가상가정환경 공간이다. 우선 EKF-SLAM 알고리즘을 이용하여 환경에 대한 표식지도를 제작하였다. 물론 같은 표식을 사용한다면 다른 알고리즘을 이용하여 제작된 표식 지도의 이용도 가능하다.
- 위에서 선택된 센서 정보를 이용하여 선 형상 표식을 추출하기 위해 중심선 센서 모델(centerline sensor model)[11]로 세 개의 점을 얻어낸다. 그리고 최소자승법(least square fitting)을 이용하여 선 형상을 결정한다.
- 우선 본 논문에서는 파티클 필터를 이용한 광역 위치인식 기법에 대하여 설명한다. 위치인식을 위한 환경지도로는 EKF-SLAM[2] 기법을 통해 얻어진 표식지도(그림 1)가 이용된다. 표식 지도상에 여러 종류의 표식들의 위치가 기록되어 있고 파티클 필터에서 이 표식들을 이용하여 로봇의 위치를 추정한다.
성능/효과
- 따라서 좀 더 효율적인 구현이 가능하게 되었다. 광역 위치인식 과정에서는 더 적은 수의 파티클을 이용해서도 성공적으로 로봇의 위치를 추정할 수 있었으며 파티클이 올바른 위치로 수렴한 후에는 파티클의 개수를 줄여가며 성공적으로 위치 추적을 할 수 있었다.
- 환경 전체에 파티클을 무작위로 분포시킬 경우 광역 위치인식을 성공적으로 수행하기 위해서는 최소 10000개의 파티클이 필요하다. 따라서 제안된 파티클 초기화 방법으로 필요한 파티클의 수를 20%이하로 줄여 효율적인 구현이 가능하였다.
- 또한 kidnap이 되거나 광역 위치인식에 실패할 경우에 대비하여 로봇은 정규화된 가중치의 엔트로피 값과 평균 가능도 값을 확인 함으로서 자신의 위치인식이 잘못되고 있음을 인지할 수 있었다. 그리고 추가된 새로운 파티클 집합은 kidnap된 로봇의 위치를 성공적으로 재추정 할 수 있었다.
- 본 연구에서 사용된 선 형상 표식 추출 방법은 간단하면서도 초음파 센서의 특징을 잘 반영하고 있다. 인접한 세 개의 초음파 센서가 동시에 벽이나 가구로부터 정보를 얻을 경우 비슷한 거리 값이 얻어진다.
- 본 논문에서는 표식 지도와 강인한 표식 추출 방법을 이용한 파티클 필터 위치인식 알고리즘으로 광역 위치인식과 kidnap recovery를 해결하였다. 우선 선 형상 표식을 이용한 초기화 방법으로 필요한 파티클의 개수를 줄일 수 있었다. 따라서 좀 더 효율적인 구현이 가능하게 되었다.
- 이를 통해 로봇이 광역 위치인식과 kidnap recovery를 성공적으로 수행해 내는 것을 확인할 수 있었다. Kidnap recovery후에 새로 추가된 파티클 집합의 평균 가능도 값은 기존의 파티클 집합의 평균 가능도 값보다 높은 값을 가진다(그림 8).
- 만약 위와 같은 경우가 발생한다면 로봇의 광역 위치인식은 실패할 것이다. 하지만 실험 결과 EKF-SLAM에서 얻어지지 않은 선 형상 표식이 위치인식 과정에서 추출되는 경우는 거의 발생하지 않았다. EKF-SLAM과 광역 위치인식에서 같은 방법의 형상 추출 방법이 사용되었기 때문에 SLAM 과정에서 얻지 못한 선 형상 표식은 위치인식 과정에서도 얻어지지 않는다.
후속연구
- 앞으로 좀 더 강인한 위치인식 성능척도와 두 파티클 집합의 효과적인 처리가 필요하지만 2가지의 실험을 통해서 제안된 알고리즘의 성능을 확인할 수 있었다.
- 또한 두 개의 파티클 집합이 서로 비교를 하여 정확한 집합만을 남기고 잘못된 집합을 제거하는 과정이 필요하다. 이 작업은 앞으로 해결해야 할 일로 남아있으며 재추출 과정의 성능을 높이거나 파티클 추출 과정에서 좀 더 큰 오차를 줌으로서 해결 할 수 있을 것으로 보인다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.