청소 로봇의 중요한 기술 중 하나는 커버리지 성능이다. 대부분의 가정용 청소 로봇들은 로봇의 크기나 제작 비용 때문에 로봇을 구성하는 시스템 구성에 제약을 받게 된다. 이러한 이유 때문에 청소 로봇의 가장 중요한 요소인 커버리지 성능을 높이는데 필요한, 위치 인식이나 맵 구성을 위한 기존의 알고리즘들을 쉽게 적용할 수가 없다. 본 논문에서는 청소 로봇을 위한 두 가지 문제에 초점을 맞추어 이를 해결 할 수 있는 방안을 제시한다. 먼저 계산 량을 줄여 저가형 시스템을 구성할 수 있어야 한다. 이를 위해 청소 환경을 단순화 하는 형태로 변화 시켜 위치 인식과 특징점 맵을 구성하는데 필요한 계산량을 줄이는 방법을 제안한다. 두 번째로 청소로봇에 사용하는 센서들의 성능이 매우 제한적이다. 청소 로봇에 가장 많이 사용되는 센서는 초음파 센서와 적외선 센서이다. 초음파 센서의 경우에는 로봇의 크기나 구조적인 문제 때문에 측정 범위가 제한되고, 적외선의 경우엔 비용 문제와 센서 자체가 가지고 있는 측정 범위에 대한 문제에 의해 근거리 측정용 센서만을 사용한다. 이러한 센서들의 성능을 고려한 특징점 추출 방법을 설명하고 이를 이용한 맵 구성과 청소 영역 분할에 대한 방법을 제안한다. 본 논문에서 제안된 전 영역 청소를 위한 알고리즘들은 실제 판매되는 청소 로봇에 적용하여, 그 성능을 검증한다.
청소 로봇의 중요한 기술 중 하나는 커버리지 성능이다. 대부분의 가정용 청소 로봇들은 로봇의 크기나 제작 비용 때문에 로봇을 구성하는 시스템 구성에 제약을 받게 된다. 이러한 이유 때문에 청소 로봇의 가장 중요한 요소인 커버리지 성능을 높이는데 필요한, 위치 인식이나 맵 구성을 위한 기존의 알고리즘들을 쉽게 적용할 수가 없다. 본 논문에서는 청소 로봇을 위한 두 가지 문제에 초점을 맞추어 이를 해결 할 수 있는 방안을 제시한다. 먼저 계산 량을 줄여 저가형 시스템을 구성할 수 있어야 한다. 이를 위해 청소 환경을 단순화 하는 형태로 변화 시켜 위치 인식과 특징점 맵을 구성하는데 필요한 계산량을 줄이는 방법을 제안한다. 두 번째로 청소로봇에 사용하는 센서들의 성능이 매우 제한적이다. 청소 로봇에 가장 많이 사용되는 센서는 초음파 센서와 적외선 센서이다. 초음파 센서의 경우에는 로봇의 크기나 구조적인 문제 때문에 측정 범위가 제한되고, 적외선의 경우엔 비용 문제와 센서 자체가 가지고 있는 측정 범위에 대한 문제에 의해 근거리 측정용 센서만을 사용한다. 이러한 센서들의 성능을 고려한 특징점 추출 방법을 설명하고 이를 이용한 맵 구성과 청소 영역 분할에 대한 방법을 제안한다. 본 논문에서 제안된 전 영역 청소를 위한 알고리즘들은 실제 판매되는 청소 로봇에 적용하여, 그 성능을 검증한다.
The coverage ability is one of essential techniques for the Robotic Vacuum Cleaner (RVC). Most of the RVCs rely on random or regular pattern movement to cover a target space due to the technical difficulties to implement localization and map and constraints of hardwares such as controller and sensor...
The coverage ability is one of essential techniques for the Robotic Vacuum Cleaner (RVC). Most of the RVCs rely on random or regular pattern movement to cover a target space due to the technical difficulties to implement localization and map and constraints of hardwares such as controller and sensors. In this paper, we consider two main issues which are low computational load and using sensors with very limited sensing capabilities. First, in our approach, computing procedures to build map and detect the RVC's position are minimized by simplifying data obtained from sensors. To reduce computational load, it needs simply presenting an environment with objects of various shapes. Another isuue mentioned above is regarded as one of the most important problems in our approach, because we consider that many RVCs use low-cost sensor systems such as an infrared sensor or ultrasonic sensor with limited capabilities in limited range, detection uncertainty, measurement noise, etc. Methods presented in this paper are able to apply to general RVCs equipped with these sensors. By both simulation and real experiment, we evaluate our method and verify that the proposed method guarantees a complete coverage.
The coverage ability is one of essential techniques for the Robotic Vacuum Cleaner (RVC). Most of the RVCs rely on random or regular pattern movement to cover a target space due to the technical difficulties to implement localization and map and constraints of hardwares such as controller and sensors. In this paper, we consider two main issues which are low computational load and using sensors with very limited sensing capabilities. First, in our approach, computing procedures to build map and detect the RVC's position are minimized by simplifying data obtained from sensors. To reduce computational load, it needs simply presenting an environment with objects of various shapes. Another isuue mentioned above is regarded as one of the most important problems in our approach, because we consider that many RVCs use low-cost sensor systems such as an infrared sensor or ultrasonic sensor with limited capabilities in limited range, detection uncertainty, measurement noise, etc. Methods presented in this paper are able to apply to general RVCs equipped with these sensors. By both simulation and real experiment, we evaluate our method and verify that the proposed method guarantees a complete coverage.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 새로운 동시간 위치 인식과 지도 작성(SLAM) 알고리즘과 청소를 효율적으로 하기 위하여 셀 분할(cellular decomposition)방식을 제안한다. 이러한 방법을 구현하는데 있어, 우리는 저가형 청소로봇에 기반하여, 두가지의 제한 사항을 고려하였다.
본 논문에서는 저가형 청소 로봇을 위한 특징점 기반의 전 영역 청소 알고리즘을 제안하였다. 알고리즘에 대한 성능은 시뮬레이션 결과에서도 알 수 있듯이 위치 에러가 제공되었음에도 불구하고 약 85분 정도의 시간에 99%이상의 성능을 보였다.
가설 설정
(a) Initialization of the grid map. (b) Brighter cells are covered and the darker ones are obstacles. Blue circles, redlines, and dootted lines represents corner features, plygons, and cell coundaries respectively.
(a) 청소 로봇의 센서 구성. (b) 센서의 장애물 감지와 접촉 센서의 동작 모습.
(a) 특징점을 이용하여 만들어진 격자 지도. (b) 어두운 부분은 장애물 영역, 밝은 색 부분은 청소 영역을 의미. 파란색 원은 특징점, 붉은 선분은 특징점으로 구성된 다각형, 점선은 분할된 영역을 의미
이를 해결하기 위해, 다양한 물건들에 의해 구성되어 있는 실내 환경으로부터 입력되는 정보량을 줄이거나 단순화 시키는 작업이 필요하다. 그래서 우리는 로봇이 청소해야 될 실내 환경들을 수직 형태의 직선들로 표현할 수 있다고 가정한다. 물론 모든 실내 환경이 사각형 형태의 모양을 지니는 것은 아니다.
본 논문에서 제안한 방법을 구현하기 위해, 환경을 수직 또는 수평인 형태의 선분으로 모델링 할 수 있다는 가정을 이용하여, 환경을 단순화 하였다. 이를 이용하여, 전 영역 청소를 보장하기 위해 필요한 위치 인식 기술과 지도 구성 기술이 작은 계산량으로 구현이 될 수 있음을 보였다.
제안 방법
그래서 3가지 정도의 요소를 비교해 보아야 한다. 로봇이 우수법을 이용해 주행을 하면서 특징점을 얻기 때문에 이웃하는 특징점들과의 거리, 특징점 자체의 특징(모서리 형태), 비교하는 특징점과의 거리관계 모두를 이용하여 비교한다. 이렇게 루프 클로징이 발생하면 quadratic programming 방법을 이용하여 모든 특징점들의 위치를 보정한다[14].
본 논문에서 제안된 알고리즘의 성능을 시뮬레이션과 실제 판매되고 있는 로봇을 이용하여 테스트 해 보았다. 시뮬레이션에서 사용된 로봇은 실제 실험에서 사용되는 LG전자에서 만들어진 청소로봇인 Roboking을 모델링 하여 사용하였으며, 실험해 보기 어려운 가정내 환경을 구성하여 실험하였으며, 실제 실험에서는 로봇의 이동 궤적에 대한 측정과 청소 영역 측정을 위해 제한된 영역 내에서 청소 환경을 만들어 실험하였다.
로봇의 위치 정보에 대한 사실성을 높이기 위한 에러 모델도 적용하였다. 위치 정보에 대한 에러는 로봇의 이동 거리를 측정하기 위해 사용하는 엔코더와 회전 각도를 측정하는 자이로 센서를 모델링하여 각 값에 따른 에러 값을 더하는 방식으로 모델링하였다.
본 논문에서는 새로운 동시간 위치 인식과 지도 작성(SLAM) 알고리즘과 청소를 효율적으로 하기 위하여 셀 분할(cellular decomposition)방식을 제안한다. 이러한 방법을 구현하는데 있어, 우리는 저가형 청소로봇에 기반하여, 두가지의 제한 사항을 고려하였다. 첫째, 전체 알고리즘이 동작하기 위한 계산 량이 작아야 한다.
대상 데이터
로봇의 시뮬레이션에서 사용된 환경은 실제 분양된 아파트의 도면을 참고로 그린 지도에 간단하게 실내 가구형태의 장애물들을 삽입한 것이다(그림 7
청소 로봇에 사용되는 초음파 센서와 적외선 센서로부터 얻어지는 환경에 대한 정보는 제한적이다. 본 논문에서 사용되는 청소 로봇에 부착되어 있는 센서는 2개의 적외선 센서와 1세트(송신부 1개와 수신부 2개)의 초음파 센서이다. 두 센서 모두 최대 측정 거리는 30cm다.
본 논문에서 제안된 알고리즘의 성능을 시뮬레이션과 실제 판매되고 있는 로봇을 이용하여 테스트 해 보았다. 시뮬레이션에서 사용된 로봇은 실제 실험에서 사용되는 LG전자에서 만들어진 청소로봇인 Roboking을 모델링 하여 사용하였으며, 실험해 보기 어려운 가정내 환경을 구성하여 실험하였으며, 실제 실험에서는 로봇의 이동 궤적에 대한 측정과 청소 영역 측정을 위해 제한된 영역 내에서 청소 환경을 만들어 실험하였다.
그림 6. 시뮬레이션을 위해 모델링한 청소로봇. (a) 청소 로봇의 센서 구성.
실제 청소 로봇을 이용한 실험의 경우 4.3m × 5.0m 크기 환경에 임의로 장애물과 벽을 설치하였으며, 로봇의 실제 위치 정보를 알아내기 위하여 위치 인식 센서인 Star-Gazer((주)하기소닉)를 이용 하였다.
0m 크기 환경에 임의로 장애물과 벽을 설치하였으며, 로봇의 실제 위치 정보를 알아내기 위하여 위치 인식 센서인 Star-Gazer((주)하기소닉)를 이용 하였다. 이 실험에 사용된 로봇의 컨트롤러는 DSP2808이며 모든 알고리즘은 이곳에서 실행되었다. 그림 8(a)의 환경에서 실시한 실험에서 전체 청소 소요 시간은 15분 13초이며, 99.
이론/모형
초기화 단계에서는 특징점들이 수직 또는 수평 위치에 존재하고 있으므로 이 모든 점들을 연결하여 크기가 다양한 격자 형태로 만든다(그림 5(a)). 이렇게 만들어진 격자 형태의 지도를 가지고, 분할 단계에서 청소할 영역과 청소 외부 영역(그림 5(b))을 구분짓고, 작은 형태의 여러 영역들을 sweep invariant decomposition (SID)[15] 방법을 이용하여 분할한다. 또한 격자 형태의 지도를 바탕으로 하여 분할되는 영역을 구분하게 된다.
적외선 센서의 경우 측정 거리에 따라 오차가 생길 수 있도록 하였고, 초음파 센서의 경우 에는 측정 각도가 물체의 감지 여부에 영향을 주도록 하였다. 로봇의 위치 정보에 대한 사실성을 높이기 위한 에러 모델도 적용하였다. 위치 정보에 대한 에러는 로봇의 이동 거리를 측정하기 위해 사용하는 엔코더와 회전 각도를 측정하는 자이로 센서를 모델링하여 각 값에 따른 에러 값을 더하는 방식으로 모델링하였다.
본 논문에서는 특징점을 추출하기 위해 2가지 과정을 거친다. 먼저, 우수법을 이용한 벽면 주행 중에 로봇의 위치 정보를 이용하여 Least Square Estimation 방식으로 선분을 추출한다. 로봇이 벽면 주행을 하고 있으므로 여기에서 만들어지는 선분은 환경의 형태를 나타낸다.
분할된 영역들은 나선 형태의 동작으로 청소가 이루어지며, 분할된 영역 내에서의 미청소 영역을 찾기 위해 거리 변환(distance transform)방법을 청소용 로봇에 적합하도록 변형 시킨 방식을 이용한다. 로봇이 분할된 모든 영역에 대한 청소가 종료 되었다고 판단할 경우 전체 청소에 임무는 종료된다.
분할된 영역을 청소하기 위해 우리는 contrained inverse distance transform(CIDT)[16]을 이용한다. 이 방법은 주어진 영역에 대해 동일한 크기의 격자 지도를 구성하고, CIDT를 이용한 나선 동작으로 청소를 하게 된다.
셀 분할 방식은 크게 세가지 형태로 구분된다 [9]. 세가지 형태의 분할 방식 중, 본 논문에서는 추출된 특징점을 이용한 정확한 셀 분할 방식(Exact cellular decomposition)을 이용한다. 이 방법은 환경을 구성하는 물체의 크기나 형태에 따라 다양한 크기의 셀로 분할 할 수 있다 [10-12].
성능/효과
이를 이용하여, 전 영역 청소를 보장하기 위해 필요한 위치 인식 기술과 지도 구성 기술이 작은 계산량으로 구현이 될 수 있음을 보였다. 또한 청소용 로봇의 구조적 특성과 비용 문제 때문에 주로 사용 되는 저가의 센서를 이용 제안된 알고리즘을 구현할 수 있음을 증명하였다. 좀 더 다양하고 복잡한 실내 환경에서도 빠른 속도로 환경을 간단히 표현할 수 있다면 청소 로봇의 성능은 더욱 더 향상될 것이다.
대부분의 청소 로봇이 재충전 없이 운행 가능한 시간이 1시간 ∼2시간인 것을 감안한다면 일반적인 크기의 가정내 환경에서는 재충전 없이 청소가 가능하다는 것을 알 수 있다. 실제 로봇을 이용한 실험에서는 제약 사항에 의해 넓은 영역에서의 실험은 못했지만, 실험 결과가 시뮬레이션에 의한 결과와 비슷한 양상을 보여줌을 알 수가 있었다. 하지만 실제 환경에서는 예상치 못한 많은 요소들이 존재하고 있고, 시뮬레이션에서는 표현되지 못한 로봇의 물리적인 특성들이 결과에 어떠한 영향을 줄 수 있는지 가늠할 수 없으므로, 실제 가정환경과 같은 넓은 영역에 가정 내에 존재하는 수많은 가구와 같은 장애물이 존재한다면, 본 논문에서 제안한 방법이 시뮬레이터에서 보여주는 결과와 다른 결과를 보일 수도 있다.
본 논문에서는 저가형 청소 로봇을 위한 특징점 기반의 전 영역 청소 알고리즘을 제안하였다. 알고리즘에 대한 성능은 시뮬레이션 결과에서도 알 수 있듯이 위치 에러가 제공되었음에도 불구하고 약 85분 정도의 시간에 99%이상의 성능을 보였다. 대부분의 청소 로봇이 재충전 없이 운행 가능한 시간이 1시간 ∼2시간인 것을 감안한다면 일반적인 크기의 가정내 환경에서는 재충전 없이 청소가 가능하다는 것을 알 수 있다.
본 논문에서 제안한 방법을 구현하기 위해, 환경을 수직 또는 수평인 형태의 선분으로 모델링 할 수 있다는 가정을 이용하여, 환경을 단순화 하였다. 이를 이용하여, 전 영역 청소를 보장하기 위해 필요한 위치 인식 기술과 지도 구성 기술이 작은 계산량으로 구현이 될 수 있음을 보였다. 또한 청소용 로봇의 구조적 특성과 비용 문제 때문에 주로 사용 되는 저가의 센서를 이용 제안된 알고리즘을 구현할 수 있음을 증명하였다.
하지만 실제 환경에서는 예상치 못한 많은 요소들이 존재하고 있고, 시뮬레이션에서는 표현되지 못한 로봇의 물리적인 특성들이 결과에 어떠한 영향을 줄 수 있는지 가늠할 수 없으므로, 실제 가정환경과 같은 넓은 영역에 가정 내에 존재하는 수많은 가구와 같은 장애물이 존재한다면, 본 논문에서 제안한 방법이 시뮬레이터에서 보여주는 결과와 다른 결과를 보일 수도 있다. 하지만 실제 로봇을 이용한 실험이 보여준 결과는 제안한 방법에 대한 가능성을 보여준다라고 할 수 있다.
후속연구
또한 본 논문에서는 청소 로봇에 초점을 맞추어 설명하였지만, 현재 개발되고 있거나 개발될 가정용 서비스 로봇이 가지는 특성 또한 청소 로봇과 비슷할 것이라 생각이 된다. 따라서 이 연구는 가정 환경 또는 사무실 환경에서 제공되는 서비스용 로봇을 위한 주행 알고리즘으로도 발전할 수 있는 가능성을 지니고 있다.
또한 청소용 로봇의 구조적 특성과 비용 문제 때문에 주로 사용 되는 저가의 센서를 이용 제안된 알고리즘을 구현할 수 있음을 증명하였다. 좀 더 다양하고 복잡한 실내 환경에서도 빠른 속도로 환경을 간단히 표현할 수 있다면 청소 로봇의 성능은 더욱 더 향상될 것이다. 또한 본 논문에서는 청소 로봇에 초점을 맞추어 설명하였지만, 현재 개발되고 있거나 개발될 가정용 서비스 로봇이 가지는 특성 또한 청소 로봇과 비슷할 것이라 생각이 된다.
질의응답
핵심어
질문
논문에서 추출한 답변
가정용 청소 로봇들이 로봇을 구성하는 시스템 구성에 제약을 받게 되는 이유는?
청소 로봇의 중요한 기술 중 하나는 커버리지 성능이다. 대부분의 가정용 청소 로봇들은 로봇의 크기나 제작 비용 때문에 로봇을 구성하는 시스템 구성에 제약을 받게 된다. 이러한 이유 때문에 청소 로봇의 가장 중요한 요소인 커버리지 성능을 높이는데 필요한, 위치 인식이나 맵 구성을 위한 기존의 알고리즘들을 쉽게 적용할 수가 없다.
셀 분할은 어떤 과정을 통해 이루어지나?
셀 분할을 위해 지도를 구성하기 위해 추출된 특징점들을 이용한다. 셀 분할은 초기화, 분할, 병합의 3가지 과정을 통해 이루어진다. 초기화 단계에서는 특징점들이 수직 또는 수평 위치에 존재하고 있으므로 이 모든 점들을 연결하여 크기가 다양한 격자 형태로 만든다(그림 5(a)).
청소 로봇이 주어진 영역을 완벽하게 청소를할 수 있는 기술을 위해 가져야 하는 능력은?
이러한 청소 로봇의 개발에 있어, 가장 중요한 기술들 중에 하나가 주어진 영역을 완벽하게 청소를할 수 있는 기술이다. 이를 위해서는 로봇 스스로가 자신의 위치를 인식할 수 있는 기술과 청소 영역에 대한 지도를 구성할 수 있는 능력을 가져야 한다. 하지만 대부분 저가 형태로 만들어지는 청소 로봇들에게는 이를 위한 기술들을 적용하기가 어렵다.
참고문헌 (16)
H. Durrant-Whyte and T. Bailey, "Simultaneous localization and mapping: part I," IEEE Robotics and Automation magazine, vol. 13, no. 2, pp. 99-110, 2006.
J. J. Leonard and H. F. Durrant-Whyte, "Mobile robot localization by tracking geometric beacons," IEEE Tran. on Robotics and Automation, vol. 7, no. 3, pp. 376-382 , 1991.
F. Dellaert, D. fox, W. Burgard, and S. Thrun, "Monte Carlo localization for mobile robots," IEEE Int.Conf.on Robotics and Automation, 1999.
D. Fox, "Adapting the sample size in particle filters through KLD-sampling," International Journal of Robotics research, vol. 22, no. 12, pp. 985-1003, 2003.
D. J. Austin and P. Jensfelt, "Using multiple gaussian hypotheses to represent probability distributions for mobile robot localization," IEEE Int. Conf. on Robotics and Automation, pp. 1036-1041, 2000.
Sebastian thrun, Wlfram burgard, and Dieter Fox, Probabilistic Robotics, MIT Press, 2005.
V. Nguyen, A. Harati, A. Martinelli, R. siegwart, and N. tomatis, "Orthogonal SLAM: a step toward lightweight indoor autonomous navigation," Int. Conf. on Intelligent Robots and Systems, pp. 5007-5012, 2006.
N. L. Doh, C. Kim, and W. Chung, " A practical path planner for the robotic vacuum cleaner in rectilinear environments," IEEE Trans. Consumer Electronics, vol. 53, no.2, pp.519-527, May 2007.
H. Choset, "Coverage for robotics ? A survey of recent results," Annals of Mathematics and Artificial Intelligence, vol. 31, no. 1-4, pp. 113-126, 2001.
H. Choset, "Coverage of known spaces: the boustrophedon cellular decomposition," Autonomous Robots, vol. 9, no. 3, pp. 247-253, 2000.
E. Acar and H. Choset, "Critical point sensing in unknown environments," IEEE Int. Conf. on Robotics and Automation, vol. 4, pp. 3803-3810, April 2000.
E. Garcia and P. Gonzalez de Santos, "Mobile-robot navigation with complete coverage of unstructured environments," IEEE Trans. on Robotics and Autonomous Systems, vol. 46, pp. 195-204, April 2004.
E. Gonzalez, O. Alvares, Y. Diaz, C. Parra, C. Bustacara, "BSA: A complete coverage algorithm," IEEE Int. Conf. Robotics and Automation, pp. 2040-2044, 2005.
Goldfarb, D., & Idnani, A., "A numerically stable dual method for solving strictly convex quadratic programs," Mathematical Programming, vol. 27, no. 1, pp. 1-33, 1983.
Z. Butler, A. Rizzi, and R. Hollis, "Complete distributed coverage of rectilinear environments," Int. Workshop on Algorithmic Foundations of Robotics (WAFR), pp. 51-61, 2001.
Y. Choi, T. Lee, S. Baek, and S. Oh, "Online complete coverage path planning for mobile robots based on linked spiral paths using constrained inverse distance transform," IEEE Int. Conf. Robotics and Automation, pp.5788-5793, 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.