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.
문제 정의
- 본 논문에서는 수정된 유전자 알고리즘의 성능을 평가하기 위하여, 일반적인 유전자 알고리즘과의 성능을 비교하였다. 그림 15는 염색체와 생산 크기를 각 100으로 설정하여 적은 연산을 통한 각각의 방법에 따른 결과를 보여준다.
- 2절에서 언급한 것처럼, 유전자 알고리즘은 교배, 돌연변이 연산만을 이용하는 데, 이들만을 이용한 경로계획은 최적화를 위해 매우 오랜 시간을 필요로 한다. 이에 본 논문에서는 삭제 연산자를 제안한다. 실제로 유전자 이론에서 삭제 연산자는 돌연변이 연산에 하나로 보고 있다.
가설 설정
- 두 방법의 실험 환경은 위 그림과 같이 600cm×600cm 정사각형 맵 상에서 3개의 고정된 장애물을 알고 있다고 가정한다.
제안 방법
- 본 논문에서는 초음파와 전자 나침반, 엔코더, 자이로를 이용하여 자율주행 장치를 직접 설계ㆍ제작하였고, 자율주행 장치의 효율적인 자율주행을 위한 특징 맵 기반 SLAM과 수정된 유전자 알고리즘을 이용한 경로계획을 적용하였다. SLAM은 환경 적응성 문제를 해결하기 위하여 초음파 센서를 이용해 특징 맵 생성하고 이를 기반으로 구현하였으며, 지능형 자율주행 장치의 효율적인 주행을 위해 수정된 유전자 알고리즘을 적용하여 경로를 최적화 하였다. 실험은 특징 맵의 성능을 실험과 수정된 유전자 알고리즘과 일반적인 유전자 알고리즘의 경로계획 성능을 비교하였다.
- 또한 위치측정을 위한 전자 나침반과 엔코더, 자이로는 100ms 속도로 데이터를 통신하도록 설계 하였다. 구동 방식 설계는 제어가 용이하도록 하기위해 그림 2와 같이 선형 2 자유도를 가지는 자동차 구동 방식으로 설계하였다.
- 본 논문에서는 구조적 맵 생성(hierarchial map building) 기법을 사용하였다[12]. 구조적 맵 생성 기법은 자율주행 장치가 위치한 환경을 나누어 맵 생성 후, 생성된 맵을 연결하는 방법으로 본 논문에서는 다음 그림과 같이 맵을 나누어 맵 생성을 하였다.
- 사용된 센서들은 모두 ATmega128을 이용하여 제어하였으며, 센서들 중 초음파는 100ms당 하나의 센서가 계측되도록 설계하였다. 또한 위치측정을 위한 전자 나침반과 엔코더, 자이로는 100ms 속도로 데이터를 통신하도록 설계 하였다. 구동 방식 설계는 제어가 용이하도록 하기위해 그림 2와 같이 선형 2 자유도를 가지는 자동차 구동 방식으로 설계하였다.
- 첫 번째는 추출된 특징을 이용하여 특징 맵을 생성한 후, 그 성능을 실험하는 것이고, 두 번째는 수정된 유전자 알고리즘을 이용한 경로계획의 성능을 평가하는 것이다. 마지막 실험은 임의의 위치에 놓인 자율주행 장치가 생성된 맵 상에서 스스로 자신의 위치를 인식하고, 서버로부터 받은 경로를 따라 주행을 제대로 할 수 있는 지에 대한 실험이다.
- 본 논문에서 개체(individual)는 무인 자율주행 장치의 이동 경로를 가지는 좌표의 열을 나타내고, 유전자(gene)는 개체를 구성하는 작업 환경의 좌표 값을 나타낸다. 유전자 풀(genetic pool)은 이러한 개체들을 모아둔 집합체로 부모 개체가 될 수 있는 개체들의 집합 나타낸다.
- 본 논문에서는 노드점의 간격은 자율주행 장치의 최소 회전 반경을 기준으로 고정값으로 설정하였으며, 노트점의 범위는 작업환경내의 가장 큰 장애물의 장축 길이의 두 배로 설정하였으며, 각 노드점마다의 노트점의 범위는 일정하게 하였다.
- 본 논문에서는 실험을 위해 직접 설계·제작한 실제 자율주행 장치와 관리자, 즉 서버를 이용한다.
- 이는 새로운 환경에서 자신의 위치를 인식해야하는 경우와 “kid napping” 문제와 연계되어 자율주행 장치가 새로운 위치 혹은 알려지지 않은 위치에서 자신의 위치를 인식해야하는 경우로 구분된다. 본 논문에서는 이러한 환경 적응성 문제를 해결하기 위해 초음파 센서를 이용한 특징 맵 기반 SLAM을 적용하였으며, 지능형 자율주행 장치의 작업을 위한 경로를 최적화하기 위한 방법으로 수정된 유전자 알고리즘을 적용한다.
- 본 논문에서는 초음파와 전자 나침반, 엔코더, 자이로를 이용하여 자율주행 장치를 직접 설계ㆍ제작하였고, 자율주행 장치의 효율적인 자율주행을 위한 특징 맵 기반 SLAM과 수정된 유전자 알고리즘을 이용한 경로계획을 적용하였다. SLAM은 환경 적응성 문제를 해결하기 위하여 초음파 센서를 이용해 특징 맵 생성하고 이를 기반으로 구현하였으며, 지능형 자율주행 장치의 효율적인 주행을 위해 수정된 유전자 알고리즘을 적용하여 경로를 최적화 하였다.
- 생성된 맵은 연속된 점들의 변화량의 크기에 따른 변화량에 따라 변화량이 작은 특징과 변화량이 큰 특징을 추출을 분류하고, 맵 특징으로 사용한다. 그림 14는 생성된 맵에서 추출된 특징을 보여준다.
- 실험 방법은 특징 맵을 이용하여 그림 17의 ⓐ-ⓕ 구역 8곳에 임의로 자율주행 장치를 두고, 자율주행 장치가 맵 상의 절대위치를 스스로 찾을 수 있는지 여부를 확인하였다.
- SLAM은 환경 적응성 문제를 해결하기 위하여 초음파 센서를 이용해 특징 맵 생성하고 이를 기반으로 구현하였으며, 지능형 자율주행 장치의 효율적인 주행을 위해 수정된 유전자 알고리즘을 적용하여 경로를 최적화 하였다. 실험은 특징 맵의 성능을 실험과 수정된 유전자 알고리즘과 일반적인 유전자 알고리즘의 경로계획 성능을 비교하였다. 또한 특징 맵 기반 SLAM을 이용해 "kid napping" 문제를 해결할 수 있음을 확인하였다.
- 하지만 이와 같이 그리드 형태로 맵을 표현할 경우에는 매우 큰 저장 공간을 필요로 하여 실시간 연산이 필요한 자율주행 장치에 적용이 어렵다. 이에 본 논문에서는 실시간 연산을 위해 특징 맵으로 변환하여 사용한다. 특징 맵을 구성하는 방법은 연속된 점들의 변화량의 크기에 따른 것으로 변화량이 작은 것(문, 거울 등)과 변화량이 너무 큰(통로)의 특징을 이용한다.
- 맵 생성을 통해 찾은 특징은 초음파의 특성의 특성에 의해 중첩된 정보들을 포함한다(그림 14). 이에 본 논문에서는 추출된 특징들은 클러스터링 방법을 이용하여 줄이고, 이를 특징으로 사용하였다. 실험 결과, 찾은 106개의 특징이 추출되었고, 생성된 맵을 기준으로 특징들의 오차는 평균:5.
- 위 그림에서 ⓒ 구역의 선은 자율주행 장치가 맵 상의 절대좌표를 찾고, 서버에게 경로를 받아 맵의 중심으로 이동하는 것을 보여준다. 자율주행 장치가 노트에 도착할 때 마다 자율주행 장치는 자신의 위치를 서버에 전송하고, 서버가 경로를 재계획 하도록 하였다. 8번의 실험에서 모두 절대좌표를 찾음을 확인하였다.
- 특징 맵을 구성하는 방법은 연속된 점들의 변화량의 크기에 따른 것으로 변화량이 작은 것(문, 거울 등)과 변화량이 너무 큰(통로)의 특징을 이용한다. 찾아진 특징들은 각 특징들의 종류와 위치한 좌표를 룩업 테이블로 저장 후, 사용하였다.
대상 데이터
- 본 논문에서는 자율주행이 가능한 장치를 제작하기 위하여 초음파 센서 5개와 엔코더 2개, 자이로, 전자 나침반을 사용하였다. 그림 1은 위치측정을 위해 구현된 자율주행 장치의 시스템 구성을 보여준다.
- 사용된 센서들은 모두 ATmega128을 이용하여 제어하였으며, 센서들 중 초음파는 100ms당 하나의 센서가 계측되도록 설계하였다. 또한 위치측정을 위한 전자 나침반과 엔코더, 자이로는 100ms 속도로 데이터를 통신하도록 설계 하였다.
- 본 논문에서는 실험을 위해 직접 설계·제작한 실제 자율주행 장치와 관리자, 즉 서버를 이용한다. 제작된 로봇은 산업용 PC 기반으로 제작하였으며, 개발 환경은 Windows XP Fundamental 상에서 Borland C++ 6.0 builder와 Codevision, AVR studio를 사용하였다. 서버 역할로는 Windows XP 상에서 Borland C++ 6.
이론/모형
- SLAM을 구현하기 위해서는 먼저 맵 생성이 이루어져야 하며, 맵 생성 정밀도에 따라 그 성능이 크게 좌우되게 된다. 본 논문에서는 구조적 맵 생성(hierarchial map building) 기법을 사용하였다[12]. 구조적 맵 생성 기법은 자율주행 장치가 위치한 환경을 나누어 맵 생성 후, 생성된 맵을 연결하는 방법으로 본 논문에서는 다음 그림과 같이 맵을 나누어 맵 생성을 하였다.
- 시뮬레이션이 아닌 실제 자율주행 장치의 경로계획을 위해서는 빠른 장애물 체크와 용이한 장애물의 삭제․추가가 가능해야한다. 이에 본 논문에서는 뉴럴-네트워크 모델(neural network model)을 이용한 장애물 체크를 한다. 뉴럴-네트워크는 활성화 유ㆍ무인 2가지 상태로 나타내지므로, 간단한 연산을 통해 장해물 체크가 가능하다[13].
성능/효과
- 자율주행 장치가 노트에 도착할 때 마다 자율주행 장치는 자신의 위치를 서버에 전송하고, 서버가 경로를 재계획 하도록 하였다. 8번의 실험에서 모두 절대좌표를 찾음을 확인하였다.
- 또한 특징 맵 기반 SLAM을 이용해 "kid napping" 문제를 해결할 수 있음을 확인하였다.
- 또한 특징 맵 기반 SLAM을 이용해 "kid napping" 문제를 해결할 수 있음을 확인하였다. 모든 실험 결과, 자율주행 장치의 효율적인 주행이 가능함을 확인하였다.
- 이에 본 논문에서는 추출된 특징들은 클러스터링 방법을 이용하여 줄이고, 이를 특징으로 사용하였다. 실험 결과, 찾은 106개의 특징이 추출되었고, 생성된 맵을 기준으로 특징들의 오차는 평균:5.43cm, 분산:21.99cm을 가짐을 확인했다.
- 유전자 알고리즘은 확률적인 최적화 기법이므로, 파라메타의 변경에 의해 성능이 달라지더라도 그 정확한 성과 지표를 분석하기는 힘들다. 하지만 삭제 연산자를 사용한 결과와 사용하지 않은 경과를 비교하였을 때, 삭제 연산을 사용한 결과가 더 최적화되었음을 확인할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.