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 GP기반 4족 보행로봇의 이동물체 인식및 지능적 보행을 위하여, GP를 통한 걸음걸이 생성과 SURF 알고리즘을 사용한 물체 인식과 거리 추정 알고리즘, 을 구현하였고, 이를 결합하여 대상 물체(휴머노이드 로봇)를 효율적으로 추종을 할 수 있는 인식 및 지능적 보행 기법을 구현하였다.
- 이러한 경우, 대상(인간 혹은 물체)의 정확한 인식이 필요하고, 인식한 정보를 바탕으로 한 이동과 접근, 그리고 대상의 동선까지도 파악하고 추종할 수 있는 지능적인 행동 및 자율적인 보행 제어 등의 도전적인 기술이 요구된다. 본 연구에서는 상기에 필요한 관련 기술 중 강인한 물체인식 알고리즘과 지능적인 보행 알고리즘을 결합시켜 대상 물체를 인식하고 이에 대한 자율적인 접근 및 추종에 응용할 수 있는 기능을 구현하고자 한다.
- 실험 2는 이러한 시간적인 요소를 줄이기 위해, 약 10 번의 동작 이내에 로봇이 25 cm 정도까지 도달하는 것을 목표로 실험 한 것이다. 약 20 cm 을 25 cm 으로 변경한 것은 20 cm 이내에 접근 했을 시에 화면에 잡히는 영상이 너무 커지기 때문에 인식이 제대로 되지 않았기 때문이다.
가설 설정
- 본 연구에서는 영상의 흔들림을 최소화하기 위해서 4족 보행로봇이 이동중 정지시에만 물체를 인식하기로 가정한다.
제안 방법
- 구체적으로, GP(Genetic Programming)[1] 를 기반으로한 직진, 회전, 정지, 후진 걸음새(gait)를 생성하였고, SURF(Speeded Up Robust Features)[2] 를 기반으로 한 대상 물체 인식 알고리즘과 비전을 통하여 인식된 상황에 따라 걸음새를 사용한 위치 이동 알고리즘, 대상 물체를 추종하는 알고리즘을 구현한다.
- 두 알고리즘은 gray-level의 영상으로부터 특징점 추출과, 표현자를 구성하여 물체를 인식한다.두 알고리즘은 기본적인 구조는 비슷하지만 SIFT의 경우 DoG(Difference of Gaussian)를 기반으로 영상의 특징 점을 검출하는데 비해, SURF의 경우 고속 헤이시안 검출기를 사용하여 특징점을 검출하기 때문에 수행시간이 크게 단축되었다.
- 하지만 거리가 가까워 질수록 그 비율차이가 커지기 때문에, 본 연구에서는 30cm를 기준으로 계속적인 추종을 할 수 있도록 하였다. 또한 20cm 이하와 110cm 이상의 거리에서는 영상의 인식 률이 매우 저조하기 때문에 일정한 범위안에 4족 보행로봇을 위치시키고 물체를 인식할 수 있도록 실험 환경을 구성 하였다.
- 로봇의 회전 동작은 GP 게이트 방식으로 생성하기에는 무리가 있기 때문에, 일반적인 걸음새 계획 방법을 사용했다. 그림 13 과 같이 각 다리를 1->2->3->4 의 순서로 이동 시킨다.
- 1[6] 에서 제공하는 알고리즘을 사용하였다. 미리 입력된 원 영상의 특징 점을 검출한 후 캠을 통해 들어오는 영상에서 동일한 특징 점을 매칭시켜 원하는 물체를 인식할 수 있도록 하며, SURF 파라미터 조정을 통해 영상에 최적화된 결과를 추출할 수 있다.
- (주)미니로봇의 로보노바를 추종 대상 로봇으로 정했고, 최대한 잡음을 방지하기 위해 하얀 스티로폼 판넬을 뒷 배경으로 사용했다. 바이올로이드로 구성된 4족 보행로봇에 캠을 부착 시켰으며, 유선 캠이기 때문에 선의 방해를 최소화하기 위해 선의 길이를 조절하며 실험하였다. (그림 14).
- 두 알고리즘은 기본적인 구조는 비슷하지만 SIFT의 경우 DoG(Difference of Gaussian)를 기반으로 영상의 특징 점을 검출하는데 비해, SURF의 경우 고속 헤이시안 검출기를 사용하여 특징점을 검출하기 때문에 수행시간이 크게 단축되었다. 본 연구에서는 비젼을 통해 물체를 인식하여 계속적인 추종을 목표로 하기 때문에 처리시간이 짧은 SURF를 통해 물체 인식을 수행하였다.
- 본 연구에서는 이를 통해 현재 영상 내에서 찾고자 하는 물체(휴머노이드 로봇)의 위치를 통해 중심점을 계산하고, 영상 내에서 차지하는 비율을 통해 대략적인 거리를 계산한다. (그림 4)
- 실제 실험을 위해 우선 시뮬레이션 상에서 GP 기반 걸음새 생성기법에 대해 최적화를 수행하였다. 기존의 여러 실험을 통해 사이클 당 보간수(STEP)는 40을 사용하는 것이 가장 올바른 결과가 나오는 것을 확인했고, 다른 파라미터는 고정시킨 상태에서 GP 의 군집 크기만을 변경 시켜서 실험이 이루어 졌다.
- 4족 보행로봇은 휴머노이드 보행로봇을 일정 거리를 유지한 채 계속적으로 추종해야 하기 때문에 거리가 변하더라도 정확한 인식이 필요하고, 인식된 물체를 통해 거리가 측정되어야 한다. 실제적인 실험에 앞서 기본적인 영상 테스트를 통해 거리에 따른 인식률 및 인식된 물체를 통해 계산된 거리를 확인하였다. 실험에 사용된 원본 영상은 그림 5에 나타나있다.
- 실험 1은 1m 떨어진 공간에서 로봇이 약 20cm 까지 접근하면 성공한 것으로 간주하여 성공률을 기록한 것이다. 모두 10회씩 실험 되었으며, 영상의 인식이 실패한 2번을 제외하고 모두 성공한 것을 확인할 수 있다.
- 실험은 20cm 에서 120cm 까지 10cm 간격으로 실제 4족 보행로봇에 CAM을 장착시키고 실험하였으며, 총 100회 영상을 촬영하여 영상의 인식률과 인식된 물체가 전체 영상에서 차지하는 비율을 측정하였다. 이 비율을 통해 추후 상대적인 거리를 확인한다.
- 측면에서의 실험은 각각 약 30도 정도의 각도를 두고, 좌, 우측에서 휴머노이드 보행 로봇으로 접근하도록 수행했다(그림 16). 거리는 다른 실험과 마찬가지로 약 1m 정도로 정했고, 약 25 cm 이하에 접근할 경우에 대해 결과를 정리 했다.
- 또한 매칭된 영상의 비율을 통해 10cm 간격으로 적은 차이가 나는 것을 확인할 수 있다. 하지만 거리가 가까워 질수록 그 비율차이가 커지기 때문에, 본 연구에서는 30cm를 기준으로 계속적인 추종을 할 수 있도록 하였다. 또한 20cm 이하와 110cm 이상의 거리에서는 영상의 인식 률이 매우 저조하기 때문에 일정한 범위안에 4족 보행로봇을 위치시키고 물체를 인식할 수 있도록 실험 환경을 구성 하였다.
대상 데이터
- (주)미니로봇의 로보노바를 추종 대상 로봇으로 정했고, 최대한 잡음을 방지하기 위해 하얀 스티로폼 판넬을 뒷 배경으로 사용했다. 바이올로이드로 구성된 4족 보행로봇에 캠을 부착 시켰으며, 유선 캠이기 때문에 선의 방해를 최소화하기 위해 선의 길이를 조절하며 실험하였다.
- 대상 시스템의 하드웨어는 그림 2와 같이 바이올로이드로 구성된 4족 보행로봇 본체, 메인컨트롤러, 영상처리를 위한 Web-CAM, 그리고 PC와의 통신을 위한 Zigbee 모듈을 포함한다. 소프트웨어는 Web-CAM을 통한 영상 획득모듈, 물체 인식 모듈, 데이터 통신 및 보행 제어 모듈로 구성된다(그림 3).
- 휴머노이드 로봇과 약 70cm 떨어진 지점에서 촬영한 영상의 일부분만을 캡쳐하여 사용하였다. 선택된 영상은 휴머노이드 로봇이 움직일 경우 크게 변화가 발생하지 않는 부분이며, 또한 4족 보행로봇의 CAM 위치를 고려하여 선택되었다.
- 시뮬레이션 및 실제 실험의 대상으로 바이올로이드를 사용한 4족 보행로봇을 사용하였다.(그림 2) 바이올로이드는 국내 로보티즈 사에서 개발한 로봇 구성 키트이다[3].
- 시뮬레이션 환경은 Cyberbotics 사의 Webots[10] 을 사용하였다. Webots은 로봇에 대한 모델링, 프로그래밍, 그리고 시뮬레이션 기능을 제공하는 ODE(Open Dynamics Engine) 기반의 로봇 시뮬레이션 S/W이다.
- 휴머노이드 로봇과 약 70cm 떨어진 지점에서 촬영한 영상의 일부분만을 캡쳐하여 사용하였다. 선택된 영상은 휴머노이드 로봇이 움직일 경우 크게 변화가 발생하지 않는 부분이며, 또한 4족 보행로봇의 CAM 위치를 고려하여 선택되었다.
이론/모형
- 사용된 SURF 알고리즘은 OpenCV ver.1.1[6] 에서 제공하는 알고리즘을 사용하였다. 미리 입력된 원 영상의 특징 점을 검출한 후 캠을 통해 들어오는 영상에서 동일한 특징 점을 매칭시켜 원하는 물체를 인식할 수 있도록 하며, SURF 파라미터 조정을 통해 영상에 최적화된 결과를 추출할 수 있다.
성능/효과
- 그림 6는 각 거리별 영상 인식 및 매칭 결과를 나타낸다. 10cm 마다 측정된 결과 영상으로 거리가 멀어질수록 상대적으로 로봇의 크기가 작아지고, 특징점의 매칭수도 적어지는 것을 확인할 수 있다. 각 영상에서 위쪽 (좌)측의 작은 영상은 미리 주어진 입력영상이고, 아래 큰 영상은 현재 CAM을 통해 입력된 영상이다.
- 좌측에서의 실험이 우측에서의 실험 보다 성공률이 낮았는데, 이는 좌측 실험이 우측 실험에 비해 빛의 영향을 더욱 크게 받았기 때문이다. 10회라는 제약 조건을 무시할 때에는 우측은 80%, 좌측은 60% 의 성공률을 보여 주었는데, 빛의 강도를 조절해보아도 좌측 보다 우측이 더 좋은 성공률을 보여 주었다.
- 2->3, 4->5, 10->11 프레임 사이에 전진 동작이 수행 되었으며, 물체에 가까워질수록 좌, 우 회전 이동 횟수가 늘어난다는 것을 확인할 수 있다.
- 4족 보행로봇에 부착된 유선캠으로 획득한 실시간 영상에 대해서, 특징점 매칭을 통하여 휴머노이드 로봇을 인식하였으며, 거리의 변화에도 강인함을 보였다. 떨어진 거리를 판별하기 위하여 거리별로 영상에서 얻어진 특징점의 크기를 계산하여 실험을 수행하였으며, 그 결과 30 ~ 100cm 정도의 범위에서 대상까지의 거리를 효과적으로 파악할 수 있 었다.
- 기존의 여러 실험을 통해 사이클 당 보간수(STEP)는 40을 사용하는 것이 가장 올바른 결과가 나오는 것을 확인했고, 다른 파라미터는 고정시킨 상태에서 GP 의 군집 크기만을 변경 시켜서 실험이 이루어 졌다. 각 실험은 모두 10회 반복 되었고, 모든 속도의 단위는 cm/s 이다.
- 표 2 는 GP 의 군집의 크기만을 변경하여 실험한 결과이다. 군집의 크기가 커질수록 평균속도는 높아지는 것을 확인할 수 있다. 반대로 최고속도는 군집의 크기가 커질수록 낮아 졌는데, 이는 군집의 크기가 커지면 GP 개체들이 몇몇의 지역 최적값에 수렴하게 되는 확률도 같이 커질 수 있기 때문으로 생각된다.
- 그러므로 적합도의 거리 부호를 반대로 뒤집어 반복적인 실험을 수행 하였으며, 이를 통해 고속으로 후진할 수 있는 게이트를 얻을 수 있었다. 아래의 그림 10 은 반복 실험중가장 우수한 게이트의 실험 결과이며, 그림 11, 12 는 시뮬레이션과 실제 로봇의 움직임을 나타낸 것이다.
- 그로인해 실제의 움직임은 시뮬레이션 상의 고속의 움직임 보다는 약간 느린 형태의 움직임이 나타났으며, 완전한 직진 주행보다는 약간 왼쪽 방향으로 휘어지는 현상이 보였다. 하지만 짧은 거리를 움직일 때에는 시뮬레이션과 거의 동일한 직진방향이 나타났기 때문에, 실제 로봇에는 짧은 거리를 움직이고 자세를 초기화하고 다시 움직이는 형태로 적용할 경우에 거의 완전한 직진주행이 가능할 것으로 생각 된다.
- 실제 실험을 위해 우선 시뮬레이션 상에서 GP 기반 걸음새 생성기법에 대해 최적화를 수행하였다. 기존의 여러 실험을 통해 사이클 당 보간수(STEP)는 40을 사용하는 것이 가장 올바른 결과가 나오는 것을 확인했고, 다른 파라미터는 고정시킨 상태에서 GP 의 군집 크기만을 변경 시켜서 실험이 이루어 졌다. 각 실험은 모두 10회 반복 되었고, 모든 속도의 단위는 cm/s 이다.
- 두 알고리즘은 gray-level의 영상으로부터 특징점 추출과, 표현자를 구성하여 물체를 인식한다.두 알고리즘은 기본적인 구조는 비슷하지만 SIFT의 경우 DoG(Difference of Gaussian)를 기반으로 영상의 특징 점을 검출하는데 비해, SURF의 경우 고속 헤이시안 검출기를 사용하여 특징점을 검출하기 때문에 수행시간이 크게 단축되었다. 본 연구에서는 비젼을 통해 물체를 인식하여 계속적인 추종을 목표로 하기 때문에 처리시간이 짧은 SURF를 통해 물체 인식을 수행하였다.
- 4족 보행로봇에 부착된 유선캠으로 획득한 실시간 영상에 대해서, 특징점 매칭을 통하여 휴머노이드 로봇을 인식하였으며, 거리의 변화에도 강인함을 보였다. 떨어진 거리를 판별하기 위하여 거리별로 영상에서 얻어진 특징점의 크기를 계산하여 실험을 수행하였으며, 그 결과 30 ~ 100cm 정도의 범위에서 대상까지의 거리를 효과적으로 파악할 수 있 었다.
- 어깨쪽 관절이 0~15, 30~40 단계 사이에큰 움직임을 보이고, 무릎쪽 관절은 전 단계 에 걸쳐 순환 하는 형태의 움직임을 보여준다. 또한, 오른쪽 어깨쪽 관절이 다른 관절에 비해 매우 급격한 순환형태를 보이고 있는 것을 확인할 수 있다.
- 실험 1은 1m 떨어진 공간에서 로봇이 약 20cm 까지 접근하면 성공한 것으로 간주하여 성공률을 기록한 것이다. 모두 10회씩 실험 되었으며, 영상의 인식이 실패한 2번을 제외하고 모두 성공한 것을 확인할 수 있다. 하지만 영상 획득 및 통신 오류로 인한 딜레이로 인하여 실험 1회당 약 3분 정도가 소요되었으며, 좌, 우 회전 동작이 정확성이 조금 떨어져서 많은 반복을 해야만 올바르게 도달하는 것을 확인할 수 있었다.
- 시뮬레이션 상에서 생성된 걸음걸이를 실제 4족 보행로봇에 적용하여 그 움직임과 환경적인 요소로 인한 차이를 확인하기 위하여 실험을 수행하였으며, 그 결과 바닥 표면의 마찰력 차이 등으로 인해 시뮬레이션과 실제 로봇 보행 실험과의 약간의 차이가 있었으며, 미끄러짐으로 인해서 보행시 영상의 흔들림 등의 문제점을 확인 할 수 있었다.
- 20 번 내의 동작을 통해 로봇에 근접했기 때문에 실패한 것이고, 한 번의 실험은 오른쪽 앞다리의 모터에 이상이 생겨서 실패한 것이다. 약 10번의 동작 이내라는 제약조건에 대해서는 약 60%의 성공률을 보이지만, 반복 횟수가 높아지면 지속적으로 로봇에 근접할 수 있음을 알 수 있다. 그러나 약 20cm 이내의 너무 근접한 거리에 도달할 경우에는 이를 제대로 인식하기 어려운 것을 확인할 수 있다
- 위의 그림 15 는 정면 실험을 수행하여 얻어낸 결과로서약 5초 간격으로 캡처한 동영상이다. 총 11 개로서 약 55초 안에 로봇이 이동하여 물체에 근접한 것을 확인할 수 있다. 2->3, 4->5, 10->11 프레임 사이에 전진 동작이 수행 되었으며, 물체에 가까워질수록 좌, 우 회전 이동 횟수가 늘어난다는 것을 확인할 수 있다.
- 표 1 에서도 확인할 수 있듯이 원본영상을 70cm 거리에서 측정하였기 때문에 70cm 거리에서 매칭된 특징점의 수가 가장 많았으며, 원본 영상과의 거리차가 커질수록 매칭 되는 특징점의 수와 인식 횟수가 줄어드는 것을 확인할 수 있다. 또한 매칭된 영상의 비율을 통해 10cm 간격으로 적은 차이가 나는 것을 확인할 수 있다.
- 모두 10회씩 실험 되었으며, 영상의 인식이 실패한 2번을 제외하고 모두 성공한 것을 확인할 수 있다. 하지만 영상 획득 및 통신 오류로 인한 딜레이로 인하여 실험 1회당 약 3분 정도가 소요되었으며, 좌, 우 회전 동작이 정확성이 조금 떨어져서 많은 반복을 해야만 올바르게 도달하는 것을 확인할 수 있었다.
후속연구
- 향후 물체 인식의 안정성을 도모하고, 학습 기법을 활용 하여 다양한 상황에서도 안정적이고 유연한 보행이 가능한 추종 로봇 시스템의 구현이 필요하며, 휴머노이드 로봇이 아닌 실제 사람이나 제스처, 얼굴 인식등을 통하여 사람을 따르거나, 접근하는 것을 기본으로 하는 응용문제로의 확장이 가능하리라 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.