본 논문에서는 Inertial Navigation System (INS)와 Ultrasonic-SATellite (U-SAT)의 센서융합을 기반으로 100mm 이하의 정밀위치측정 시스템을 보여준다. INS는 자이로와 두 개의 엔코더로 구성되고, U-SAT는 네 개의 송신기와 한 개의 수신기로 구성하였다. 구성된 센서들은 정밀한 정밀위치측정을 위하여 Extended Kalman Filler (EKF)를 통해 센서들을 융합하였다. 위치측정의 성능을 증명하기 위해 본 논문에서는 로봇이 0.5 m/s의 속도로 주행한 실제 데이터(직진, 곡선)와 시뮬레이션을 통한 실험을 하였으며, 실험에 사용된 위치측정방법은 일반적인 센서융합과 INS 데이터만을 칼만 필터에 이용한 센서융합을 비교하였다. 시뮬레이션과 실제 데이터를 통해 실험한 결과, INS 데이터만을 칼만 필터에 이용한 센서융합이 더 정밀함을 확인할 수 있었다.
본 논문에서는 Inertial Navigation System (INS)와 Ultrasonic-SATellite (U-SAT)의 센서융합을 기반으로 100mm 이하의 정밀위치측정 시스템을 보여준다. INS는 자이로와 두 개의 엔코더로 구성되고, U-SAT는 네 개의 송신기와 한 개의 수신기로 구성하였다. 구성된 센서들은 정밀한 정밀위치측정을 위하여 Extended Kalman Filler (EKF)를 통해 센서들을 융합하였다. 위치측정의 성능을 증명하기 위해 본 논문에서는 로봇이 0.5 m/s의 속도로 주행한 실제 데이터(직진, 곡선)와 시뮬레이션을 통한 실험을 하였으며, 실험에 사용된 위치측정방법은 일반적인 센서융합과 INS 데이터만을 칼만 필터에 이용한 센서융합을 비교하였다. 시뮬레이션과 실제 데이터를 통해 실험한 결과, INS 데이터만을 칼만 필터에 이용한 센서융합이 더 정밀함을 확인할 수 있었다.
This paper is presented an accurate localization scheme for mobile robots based on the fusion of ultrasonic satellite (U-SAT) with inertial navigation system (INS), i.e., sensor fusion. Our aim is to achieve enough accuracy less than 100 mm. The INS consist of a yaw gyro, two wheel-encoders. And the...
This paper is presented an accurate localization scheme for mobile robots based on the fusion of ultrasonic satellite (U-SAT) with inertial navigation system (INS), i.e., sensor fusion. Our aim is to achieve enough accuracy less than 100 mm. The INS consist of a yaw gyro, two wheel-encoders. And the U-SAT consist of four transmitters, a receiver. Besides the localization method in this paper fuse these in an extended Kalman filter. The performance of the localization is verified by simulation and two actual data(straight, curve) gathered from about 0.5 m/s of driving actual driving data. localization methods used are general sensor fusion and sensor fusion through Kalman filter using data from INS. Through the simulation and actual data studies, the experiment show the effectiveness of the proposed method for autonomous mobile robots.
This paper is presented an accurate localization scheme for mobile robots based on the fusion of ultrasonic satellite (U-SAT) with inertial navigation system (INS), i.e., sensor fusion. Our aim is to achieve enough accuracy less than 100 mm. The INS consist of a yaw gyro, two wheel-encoders. And the U-SAT consist of four transmitters, a receiver. Besides the localization method in this paper fuse these in an extended Kalman filter. The performance of the localization is verified by simulation and two actual data(straight, curve) gathered from about 0.5 m/s of driving actual driving data. localization methods used are general sensor fusion and sensor fusion through Kalman filter using data from INS. Through the simulation and actual data studies, the experiment show the effectiveness of the proposed method for autonomous mobile robots.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문의 목표는 4개의 송신기와 1개의 수신기로 구싱된 U-SAT과 2개의 엔코더, 1개의 자이로 센서로 孑성된 INS 센서들의 융합에 의한 로봇의 정밀위치측정 시스템이다. 제작된 로봇의 구동 방식은 선형 2 자유도를 가지는 자동차 구동 방식으로 설계하였다.
따라서 이런 문제를 해결하기 위해 대부분의 연구에서는 고가의 레이저 센서를 이용하였다. 본 연구에서는 이러한 전역위치측정시 발생하는 문제를 해결하기 위하여 조사한 결과, 현재 국내 . 외에 존재하는 전역 위치측정 가능한 센서 중에서 초음파위성 (U-SAT)이 가장 좋은 성능을 가지고 있었다.
그러나 초음파위성은 반응속도와 외란 및 설치 환경에 따른 제약에 의해 GPS보다 정밀도가 떨어지게 되는 문제가 발생 후]:다. 이에 본 연구에서는 U-SAT와 외란 및 설치 환경에 강인하며, 반응속도가 빠른 INS와의 칼만 필터를 활용한 센서 융합 U-SAT/INS 시스템을 제안한다.
제안 방법
이를 통해 칼만 필터의 매개변수를 정하고, 실제 로봇의 주행 데이터를 통하여 실험을 하였다. INS 데이터를 칼만 필터에 이용한 센서 융합과 일반적인 센서융합 두 가지 방법들을 비교 실험을 하였다. 실험은 INS 데이터를 칼만 필터에 적용한 센서 융합을 통한 위치측정 방법이 일반적인 센서융합 방법에 비해 성능평 가에 있어, 우수함을 확인할 수 있었다.
필터링하였다. INS는 100 ms 동안 엔코더와 자이로의 정보를 누적시켜 100 ms 단위로 데이터를 전송하도록 설계하였다. 전송되어진 INS 데이터와 U-SAT 데이터는 로봇의 컴퓨터상에서 정밀한 위치측정을 위해 사용된다.
U-SATe 400 ms 속도로 데이터를 전송하게 설계되어있으며, 최대속도 400 ms에 영향을 주지 않는 범위에서 데이터를 필터링하였다. INS는 100 ms 동안 엔코더와 자이로의 정보를 누적시켜 100 ms 단위로 데이터를 전송하도록 설계하였다.
높게 발생한다. 곡선 데이터의 위치측정은 앞서 직진 데이터에 행하였던 것과 같은 실험 통해 성능을 분석하였다. 실제 곡선 데이터를 일반적인 센서융합과 INS 데이터만을 칼만 필터에 이용한 센서융합, 제안된 센서융합 방법을 이용한 위치측정은 그림 10과 같다.
전송되어진 INS 데이터와 U-SAT 데이터는 로봇의 컴퓨터상에서 정밀한 위치측정을 위해 사용된다. 또한 실세로봇의 위치측정을 실시간-모니터 링(realtime monitoring)을수행하기 위하여, 무선이더넷(wireless ethernet)을 〒축하여 무선으로 제어 및 감시 할 수 있도록 시스템을 구성하였다.
본 논문에서는 로봇의 정밀한 위치측정을 위해, 로봇의 위치정보 X, y 좌표와 각도 <9에 대해 따로 추정하여 칼만 필터 알고리즘을 간단히 구성하였다. 로봇의 기구학, 비선형 동적 시스템 모델 비선형 관측 모델의 모델링은 다음과 같다.
이러한 문제를 해결하기 위해 반응속도가 빠른 INS 센서를 100 ms 간격으로 보정 (interpolation)하며, 외부 환경에 의해 U-SAT 데이터가 손실되는 경우에는 INS 데이터를 대체하여 사용하도록 하였다. 본 논문에서는 성능 비교 실험을 위해 일반적인 센서 융합 방법과 INS 데이터를 칼만 필터에 이용한 센서융합 2 가지 방법을 사용하였다. 일반적인 센서융합과 INS 데이터만을 칼만 필터에 이용한 센서융합은 칼만 필터 부분만 다를 뿐 내용은 같다.
실험은 생성된 100개의 데이터를 대상으로 일반적인 센서 융합과 INS 데이터를 칼만 필터에 이용한 센서융합을 비교 실험하였다. 본 논문에서는 시뮬레이션 실험을 통해 칼만 필터의 매개변수(以 R)를 표 2와 같이 설정하였다.
본 논문에서는 정밀한 위치측정을 위해서 칼만 필터를 사용하였으며, 사용된 칼만 필터의 매개변수를 설정하기 위하여 시뮬레이션 실험과 로봇의 실제 주행 데이터를 계측하고, 센서들의 오차를 분석하였다. 그림 4는 U-SAT과 INS 센서의 특징을 보여준다.
본 논문에서는 칸만 필터의 매개변수 설정하기 위해, 시뮬레이션을 통해 MSE의 평균과 분산을 분석하였다. 이는 칼만 필터의 매개변수로 사용하였으며, 일반적인 센서 융합에 비해 위치측정의 정밀도가 ±10 mm 가량 개선됨을 확인하였다.
본 연구에서는 실제 로봇의 정밀한 위치측정 실험을 위해 INS센서와 U-SAT 센서를 이용하여 직접 로봇을 구현하고, 실제 센서들의 데이터를 계측하였다. 실제 위치측정에 있어, 오차분석은 일반적으로 선형 최소 자승 근사법을 사용하지만, 실제 데이터를 통한 실험에서 센서들의 오차가 정상 오차에 대해 가정한다는 것에 무리가 있을 뿐만 아니라, 실험을 위한 실제 환경과 측정을 위한 도구 그 자체의 한계 때문에 본 연구에서는 시뮬레이션을 이용하였다.
센서들의 데이터를 계측하였다. 실제 위치측정에 있어, 오차분석은 일반적으로 선형 최소 자승 근사법을 사용하지만, 실제 데이터를 통한 실험에서 센서들의 오차가 정상 오차에 대해 가정한다는 것에 무리가 있을 뿐만 아니라, 실험을 위한 실제 환경과 측정을 위한 도구 그 자체의 한계 때문에 본 연구에서는 시뮬레이션을 이용하였다. 이를 통해 칼만 필터의 매개변수를 정하고, 실제 로봇의 주행 데이터를 통하여 실험을 하였다.
이는 그실험 데이터는 실제 주행 데이터인 직진, 커브 각각 10개씩에 외란에 약한 U-SAT의 일부 데이터를 제거, ±3 cm의 노이즈 추가, ±6 cm의 노이즈 추가, 일부 데이터 제거와 ±6 cm의 노이즈 추가를 하여 각각 或개의 데이터를 생성하였다. 실험은 생성된 100개의 데이터를 대상으로 일반적인 센서 융합과 INS 데이터를 칼만 필터에 이용한 센서융합을 비교 실험하였다. 본 논문에서는 시뮬레이션 실험을 통해 칼만 필터의 매개변수(以 R)를 표 2와 같이 설정하였다.
일반적으로 U-SAT는 정밀도가 높아 U-SAT 정보만을 이용하여 로봇의 위치측정이 가능하지만, 400 ms의 느린 반응속도 때문에 400 ms 사이의 이상반응을 감지할 수 없게 되는 문제가 발생한다. 이러한 문제를 해결하기 위해 반응속도가 빠른 INS 센서를 100 ms 간격으로 보정 (interpolation)하며, 외부 환경에 의해 U-SAT 데이터가 손실되는 경우에는 INS 데이터를 대체하여 사용하도록 하였다. 본 논문에서는 성능 비교 실험을 위해 일반적인 센서 융합 방법과 INS 데이터를 칼만 필터에 이용한 센서융합 2 가지 방법을 사용하였다.
실제 위치측정에 있어, 오차분석은 일반적으로 선형 최소 자승 근사법을 사용하지만, 실제 데이터를 통한 실험에서 센서들의 오차가 정상 오차에 대해 가정한다는 것에 무리가 있을 뿐만 아니라, 실험을 위한 실제 환경과 측정을 위한 도구 그 자체의 한계 때문에 본 연구에서는 시뮬레이션을 이용하였다. 이를 통해 칼만 필터의 매개변수를 정하고, 실제 로봇의 주행 데이터를 통하여 실험을 하였다. INS 데이터를 칼만 필터에 이용한 센서 융합과 일반적인 센서융합 두 가지 방법들을 비교 실험을 하였다.
제작된 로봇의 구동 방식은 선형 2 자유도를 가지는 자동차 구동 방식으로 설계하였다. 그림 1은 위치측정을 위해 구현된 로봇의 시스템 구성을 보여준다.
대상 데이터
로봇의 실제 주행 데이터를 얻기 위한 작업공간의 크기는 500x200 cm이고, 로봇의 실제 주행 정보는 무선 이 더 넷을 이용하여 모니터링 시스템을 통해 확인하였다. 이는 그실험 데이터는 실제 주행 데이터인 직진, 커브 각각 10개씩에 외란에 약한 U-SAT의 일부 데이터를 제거, ±3 cm의 노이즈 추가, ±6 cm의 노이즈 추가, 일부 데이터 제거와 ±6 cm의 노이즈 추가를 하여 각각 或개의 데이터를 생성하였다. 실험은 생성된 100개의 데이터를 대상으로 일반적인 센서 융합과 INS 데이터를 칼만 필터에 이용한 센서융합을 비교 실험하였다.
데이터처리
AVR studio를 사용하였다. 주행 시뮬레이션 및 모니터링(monitoring) 위한 개발 환경은 Windows 2003 Server 상에서 MATLAB 2006 R2를 이용하여 시뮬레이션과 성능평가를 하였으며, Borland C++ 빌더를 이용하여 구현하였다. 로봇의 실제 주행 데이터를 얻기 위한 작업공간의 크기는 500x200 cm이고, 로봇의 실제 주행 정보는 무선 이 더 넷을 이용하여 모니터링 시스템을 통해 확인하였다.
이론/모형
실제 주행 데이터를 계측할 로봇의 개발 환경은 Window XP Fundamental 이며, 프로그램 개발 도구로 Codevision 과 AVR studio를 사용하였다. 주행 시뮬레이션 및 모니터링(monitoring) 위한 개발 환경은 Windows 2003 Server 상에서 MATLAB 2006 R2를 이용하여 시뮬레이션과 성능평가를 하였으며, Borland C++ 빌더를 이용하여 구현하였다.
하지만 실제 시스템의 모든 상태를 정확히 알 수 없으며, 대부분의 경우에 잡음이 섞인 측정값을 이용하게 된다. 이에 본 논문에서는 이러한 문제를 해결하기 위해 확장형 칼만 필터를 적용한다.
성능/효과
이는 칼만 필터의 매개변수로 사용하였으며, 일반적인 센서 융합에 비해 위치측정의 정밀도가 ±10 mm 가량 개선됨을 확인하였다. 또한 일반적인 센서융합들에 비해 노이즈에 강인함을 확인할 수 있었다. 실제 데이터를 통한 실험은 전체적인 오차 분석의 어려움에 의해 오차의 최대 .
로봇의 초기 위치 설정과 하드웨어적인 오차에 의해 로봇의 위치측정의 결과가 달라짐을 확인할 수 있었다. 이러한 문제들은 센서융합을 통해 해결 할 수 있었으며, 전체적인 오차분석을 확인할 수는 없었지만, 칼만 필터를 활용한 센서 융합이 다른 센서융합에 비해 더 정밀함을 볼 수 있다.
INS 데이터를 칼만 필터에 이용한 센서 융합과 일반적인 센서융합 두 가지 방법들을 비교 실험을 하였다. 실험은 INS 데이터를 칼만 필터에 적용한 센서 융합을 통한 위치측정 방법이 일반적인 센서융합 방법에 비해 성능평 가에 있어, 우수함을 확인할 수 있었다.
위와 같이, 로봇의 실제 곡선 주행 데이터들은 일반적인 센서 융합만으로도 충분히 정밀한 위치측정을 가능함을 알 수 있다. 이러한 경우는 U-SAT과 INS 데이터들에 노이즈가 적게 포함된 경우이며, U-SAT 데이터들의 손상이나 손실에 의한 경우에는 일반적인 센서융합에 한계가 있다.
이는 칼만 필터의 매개변수로 사용하였으며, 일반적인 센서 융합에 비해 위치측정의 정밀도가 ±10 mm 가량 개선됨을 확인하였다. 또한 일반적인 센서융합들에 비해 노이즈에 강인함을 확인할 수 있었다.
이러한 문제들은 센서융합을 통해 해결 할 수 있었으며, 전체적인 오차분석을 확인할 수는 없었지만, 칼만 필터를 활용한 센서 융합이 다른 센서융합에 비해 더 정밀함을 볼 수 있다.
실제 데이터를 통한 실험은 전체적인 오차 분석의 어려움에 의해 오차의 최대 . 최소값을 분석하였고, 분석된 오차는 최대 ±70 mm을 가짐을 확인하였다.
참고문헌 (8)
Barshan, B. and H. F. Durrant-Whyte, "Inertial Navigation Systems for Mobile Robots." IEEE Transactions on Robotics and Automation, vol. 11, no. 3, pp. 328-342, 1995
Solda, Erik, Worst, Rainer, Hertzberg and Joachim, "Poor Man's Gyro-based Localization," Proceedings of the 5th IFAC/EURON Symposium on Intelligent Autonomous Vehicles IAV, 2004
Hassel, M. and J. Hertzberg, "Sensor Fusion for Localizing a Mobile Robot Outside of Buildings," Proceedings of the 9th International Symposium on Intelligent Robotic Systems. pp. 477-484, 2001
J. Z. Sasiadek, P. Hartana, P., "Sensor fusion for navigation of an autonomous unmanned aerial vehicle," IEEE Robotics and Automation, vol. 4, pp. 4029-4034, 2004
W. Li, and H. Leung, "Constrained unscented Kalman filter based fusion of GPS/INS/digital map for vehicle localization," IEEE Intelligent Transportation Systems, pp. 1362 -1367, 2003
F. Figueroa and A. Mahajan, "A robust navigation system for autonomous vehicles using ultrasonics," Control Eng. Practice, vol. 2, no. 1, pp. 49-59, 1994
Sebastian Thrun, Maren Bennewitz, Wolfram Burgard, Armin B. Cremers, Frank Dellaert, and Dieter Fox, "MINERVA: A Second-Generation Museum Tour-Guide Robot," in Proceeding of the IEEE Conference on Robotics and Automation, Detroit, Michigan, USA, pp. 1999-2005, 1999
R. Siegwart, K.O. Arras, S. Bouabadallah, D. Burnier, G. Froidevaux, X. Greppin, B. Jensen, A. Lorotte, L. Mayor, M. Meisser, R. Philippsen, R. Piguet, G. Ramel, G. Terrien, and N. Tomatis, "Robox at Expo.02: Alarge-scale installation of personal robots," Robotics and Autonomous Systems, vol. 42, no. 3-4, pp. 203-222, 2003
※ AI-Helper는 부적절한 답변을 할 수 있습니다.