$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

복도환경에서의 이동로봇 주행을 위한 3차원 특징추출을 통한 장애물 인식
Obstacle Recognition by 3D Feature Extraction for Mobile Robot Navigation in an Indoor Environment 원문보기

한국해양정보통신학회논문지 = The journal of the Korea Institute of Maritime Information & Communication Sciences, v.14 no.9, 2010년, pp.1987 - 1992  

진태석 (동서대학교 메카트로닉스공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 이동로봇에 장착된 CCD 카메라를 통해 입력되는 영상에서 3차원 물체가 가지는 특징정보를 분석 및 추출하여하여 주행전방의 환경을 구분하는데 적용하게 된다. 복도 내에서 주행하는 로봇에 탑재된 카메라로 입력된 영상은 3차원 특징정보에 의해 장애물과 복도의 코너, 문으로 검출되어진다. 바닥의 장애물 정보 인식을 통한 이동로봇의 주행경로를 구하는데 있어 이들 세 가지는 최적의 경로 생성과 장애물 회피를 위한 매우 중요한 정보로 사용될 수 있다. 따라서, 본 논문에서는 입력영상을 전처리 후에 제안된 알고리즘을 기반으로한 이동로봇의 주행방향결정과, 입력 영상에서 신경망을 통하여 장애물 인식 및 특징정보 검출을 통한 이동로봇의 주행을 위한 선행 실험결과를 제시하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper deals with the method of using the three dimensional characteristic information to classify the front environment in travelling by using the images captured by a CCD camera equipped on a mobile robot. The images detected by the three dimensional characteristic information is divided into ...

주제어

#이동로봇   #문자인식   #신경망   #장애물 회피   #주행  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 따라서, 본 논문에서는 현재 입력 영상에서 3차원 특징 정보를 이용하여 장애물 여부를 인식할 수 있도록 하여, 이의 타당성을 신경망을 이용하여 보인다.
  • 또한, 바닥면의 경계 정보를 이동 로봇의 주행 방향을 결정하는 정보로 사용하여 실험으로 검증함으로서 영상 정보의 사용이 타당함을 보였다. 또한, 본 논문은 이동 로봇에 장착된 카메라에서 입력된 영상정보로부터 2차원 바닥면의 표시가 가지는 특징성분을 추출하고 신경망을 사용한 실험을 통해 검증하였다.
  • 본 논문에서는 이동 로봇 전방에 영상 정보로부터, 바닥면의 경계를 추출하기 위하여, 탐색 영역을 설정하고, 무한 원점의 위치에 근거하여 이를 움직임으로써 바닥면의 잡음을 효과적으로 배제하여 바닥면의 경계를 추출할 수 있는 예를 보였다. 또한, 바닥면의 경계 정보를 이동 로봇의 주행 방향을 결정하는 정보로 사용하여 실험으로 검증함으로서 영상 정보의 사용이 타당함을 보였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
이동 로봇을 사용하여 복도 환경을 인식하는 방법 중 시간 지연이 발생하고, 로봇 위치를 명확하게 하기 위해 별도의 장비가 요구되는 방법은 무엇인가? 이동 로봇을 사용하여 복도 환경을 인식하는 방법에 대해서는 많은 선행 연구가 이루어져왔으며, 이는 다음의 두 가지로 나누어진다. 첫 번째는 현재의 입력 영상으 로부터 복도 환경을 인식하기 위하여, 미리 복도 환경에 대한 데이터를 저장한 후, 이를 기준으로 현재의 영상과 매핑을 통해 장애물 및 복도의 코너부분 등을 인식하는 방법이 사용되고 있다. 따라서, 이동 로봇의 정확한 현재 위치에 대한 파악이 중요하며, 복도 환경의 특징점들을 미리 저장하고 있어야만 현재 입력에 대한 매핑이 이루어 질 수 있다.
복도 내에서 주행하는 로봇에 탑재된 카메라로 입력된 영상이 3차원 특징정보에 의해 무엇으로 검출되어지는가? 본 논문에서는 이동로봇에 장착된 CCD 카메라를 통해 입력되는 영상에서 3차원 물체가 가지는 특징정보를 분석 및 추출하여하여 주행전방의 환경을 구분하는데 적용하게 된다. 복도 내에서 주행하는 로봇에 탑재된 카메라로 입력된 영상은 3차원 특징정보에 의해 장애물과 복도의 코너, 문으로 검출되어진다. 바닥의 장애물 정보 인식을 통한 이동로봇의 주행경로를 구하는데 있어 이들 세 가지는 최적의 경로 생성과 장애물 회피를 위한 매우 중요한 정보로 사용될 수 있다.
복도의 벽면 혹은, 천정 부분에 특징점을 대신하는 표시를 부착한 후, 이를 기준으로 이동 로봇을 주행시키는 방법의 단점은 무엇인가? 다른 하나의 방법은 복도의 벽면 혹은, 천정 부분에 특징점을 대신하는 표시(land mark)를 부착한 후, 이를 기준으로 이동 로봇을 주행시키는 것으로 로봇의 절대 위치에 대한 파악보다는 표시의 의미를 인식하는 부분이 중요하게 된다. 이러한 방법은 상대적으로 저가의 장비를 사용하여 고속으로 이동 로봇을 움직일 수 있는 장점을 가지는 반면, 이동 로봇의 범용성을 저하시키고, 이동 로봇이 주행 가능한 복도마다 표시를 부착하여 복도의 미관을 어지럽히는 단점을 가진다. 또한, 표식의 위치가 임의로 변경되면, 이에 대한 대처가 불가능하다[6,7,8].
질의응답 정보가 도움이 되었나요?

참고문헌 (12)

  1. Don Murray and Anup Basu, "Motion Tracking with an Active Camera," IEEE Trans. of Pattern Analysis and Machine Intelligence, Vol. 16, No. 5, pp. 449-459, May 1994. 

    상세보기 crossref

  2. Dinesh Nair, Jagdishkumar K. Aggarwal, "Moving Obstacle Detection Form a Navigating," IEEE Transactions on Robotics and Automation, Vol. 14, No 3, June 1998. 

  3. Li, Fuzzy-logic-based Reactive Behavior of an Autonomous Mobile system in Unknown Environments, Eng. Application Artificial Intelligent, 7(50), pp.521-531, 1994. 

    상세보기 crossref

  4. Marsland, S., Nehmzow, U., & Shapiro, J..On-line novelty detection for autonomous mobile robots. Robotics and Autonomous Systems, 51(2-3), 191-206, 2005. 

    상세보기 crossref

  5. Lewis, M. A., & Tan, K. H. High precision formation control of mobile robots using virtual structures. Autonomous Robots, 4(4), 387-403, 1997. 

    상세보기 crossref

  6. X. Yang, and M. Meng, Neural network approaches to dynamic collision-free trajectory generation, IEEE Trans. on Systems, Man, and Cybernetics, Part B, 31(3) pp.302-318, 2001. 

    상세보기 crossref

  7. A. Vasilyev and A. Kapishnikov, "Approximation of conditional probability function using artificial neural networks," in Int. Conference on Modelling and Simulation of Business Systems, pp. 79-81, 2003. 

  8. D. Nguyen and B. Widrow, "Improving the learning speed of two-layer neural networks by choosing initial values of the adaptive weights," in Int. Joint Conference on Neural Networks, pp. 21-261, 1990. 

  9. K. Mehrotra, C. Mohan, and S. Ranka, Elements of Artificial Neural Networks. Cambridge, MA, USA: MIT Press, 1997. 

  10. R. E. Fayek, R. Liscano and G. M. Karam, "A System Architecture for a Mobile Robot based on Activities and a Blackboard control unit," Proc. IEEE Int. Conf. on Robotics and Automation, pp. 267-274, 1993. 

  11. P. Stone, R. S. Sutton, and G. Kuhlmann, "Reinforcement learning for RoboCup-soccer keepaway," Adaptive Behavior, vol. 13, no. 3, pp. 165-188, 2005. 

    상세보기 crossref

  12. T. Nakashima and H. Ishibuchi, "Mimicking dribble trajectories by neural networks for RoboCup soccer simulation," in IEEE Multi-Conference on Systems and Control, pp. 658-663, 2007. 

저자의 다른 논문 :

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로