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 실외 환경에서 자율 주행 로봇의 주행성 향상을 위해 영상 센서를 이용하여 환경을 인식하는 것에 초점을 맞추었다. 본 논문에 제시된 알고리즘은 앞서 설명한 비접촉 지형 인식 방법으로 영상 전처리를 통해 날씨에 따른 조도차이에 의한 영상 인식 오차(error)를 줄인다.
- 본 논문에서는 영상 정보를 활용하여 자율 주행 로봇의 이동성을 개선하기 위한 지형 분류 알고리즘을 연구하였다. 영상의 전처리 과정을 통해 이미지를 보정하고 보정된 영상 이미지를 over-segmentation 방법을 이용하여 지형의 특징 데이터를 추출하였다.
가설 설정
- 먼저, 확률론적인 지형 분류 방법을 도입하기 위해서 각 지형의 그룹을 이루는 데이터들은 가우시안 분포를 가지고 있다고 가정한다. 각 그룹은 가우시안 분포를 이루고 있으므로 가우시안 분포의 기준인 평균과 공분산의 값을 계산할 수 있다.
제안 방법
- 우선 학습 지형으로 그림 8의 4가지 지형 이미지(흙, 작은 자갈, 큰 자갈, 아스팔트)를 사용하였다. 각각의 영상 이미지는 1초당 1프레임으로 입력되는 영상을 10초 동안 입력해 각 지형 당 10프레임씩 전체 40프레임의 영상 이미지를 사용하여 학습 하였다. 각 4가지 지형은 앞서 설명된 것처럼 전처리 과정을 거쳐 over-segmentation 방법에 의해서 지형 특징 데이터가 추출되고 추출된 데이터는 그룹화 방법에 따라 각 물질 그룹(흙, 작은 자갈, 큰 자갈, 아스팔트)으로 그룹화 된다.
- 이렇게 생성된 그룹들은 베이시안 분류기에 적용되어 새로운 영상 이미지를 특정한 물질 그룹으로 분류 할 수 있었다. 결과 적으로 마찰 계수 측정 실험을 통해 측정된 마찰 계수를 이용해 가동성 지도를 생성하여 자율 주행 로봇의 이동성을 개선 할 수 있는 방법을 제안하였다.
- 본 논문에 제시된 알고리즘은 앞서 설명한 비접촉 지형 인식 방법으로 영상 전처리를 통해 날씨에 따른 조도차이에 의한 영상 인식 오차(error)를 줄인다. 또한 로봇을 운용하기 전에 다양한 지형을 학습 시키고 지형을 그룹화 한 후 실시간 적으로 빠른 분류 성능을 갖기 위해 베이시안 분류(Bayesian classification)방법을 도입하였다. 마지막으로 지형의 미끄러움 정도(slip)를 판단하기 위해 실험을 통해 마찰 계수를 측정하여 지형 분류 결과를 이용, 가동성 지도(traversability map)를 생성하였다.
- 로봇의 바퀴와 지형의 지면간의 물리적인 값을 확인하기 위하여 마찰 계수를 측정하는 실험을 하였다. 그림 8의 4가지 지형을 마찰 계수 측정 실험에 사용하였으며 측정된 마찰 계수는 지형 분류 알고리즘에 적용하여 가동성 지도를 생성하는데 이용되었다.
- 또한 로봇을 운용하기 전에 다양한 지형을 학습 시키고 지형을 그룹화 한 후 실시간 적으로 빠른 분류 성능을 갖기 위해 베이시안 분류(Bayesian classification)방법을 도입하였다. 마지막으로 지형의 미끄러움 정도(slip)를 판단하기 위해 실험을 통해 마찰 계수를 측정하여 지형 분류 결과를 이용, 가동성 지도(traversability map)를 생성하였다.
- 본 논문에서는 실외 환경에서 자율 주행 로봇의 주행성 향상을 위해 영상 센서를 이용하여 환경을 인식하는 것에 초점을 맞추었다. 본 논문에 제시된 알고리즘은 앞서 설명한 비접촉 지형 인식 방법으로 영상 전처리를 통해 날씨에 따른 조도차이에 의한 영상 인식 오차(error)를 줄인다. 또한 로봇을 운용하기 전에 다양한 지형을 학습 시키고 지형을 그룹화 한 후 실시간 적으로 빠른 분류 성능을 갖기 위해 베이시안 분류(Bayesian classification)방법을 도입하였다.
- 또한 각 물질의 종류는 학습 훈련을 시키는 물질 종류에 따라 달라 질수 있다. 본 논문에서는 6가지 지형(하늘, 흙, 작은 자갈, 큰 자갈, 아스팔트, 숲)을 학습 지형으로 선택하여 훈련단계에서 사용하였다.
- 분류 성능을 정량적인 방법으로 검증하기 위해 그림 9와 10과 같이 큰 자갈 지형의 이미지(가)에 큰 자갈 물질 영역(다)을 설정하여 이미지 마스크를 만들고 이미지 마스크를 지형 분류가 완료된 이미지(나)에 덮어 물질 영역 안에서의 분류 결과(라)를 확인하였다. 결과적으로 이미지의 각 픽셀(pixel)의 개수를 확인하였을 때 분류 정확도는 원본 이미지를 이용한 방법은 약 6.
- 표 2는 측정된 각 지형의 마찰 계수이다. 실험 결과는 본 연구에서 사용하는 각 지형의 실제 마찰계수로 사용하였다. 영상 정보는 범블비(Bumblebee) 카메라를 사용하여 획득 하였다.
- 마찰계수 측정 실험 장치는 로드 셀(Load Cell)을 이용하였다. 실험 방법은 견인 차량(traction car)과 실험 이동체(experimental vehicle) 사이에 로드 셀을 위치시켜 실험 이동체가 미끄러지는 순간의 힘을 측정 한 후, 실험 이동체의 무게를 고려하여 마찰계수를 계산한다. 표 2는 측정된 각 지형의 마찰 계수이다.
- 지형 분류 알고리즘의 성능을 검증하기 위하여 지형 분류의 정확성을 확인하였다. 우선 학습 지형으로 그림 8의 4가지 지형 이미지(흙, 작은 자갈, 큰 자갈, 아스팔트)를 사용하였다.
- 지형 분류 알고리즘의 성능을 검증하기 위하여 학습된 지형 이미지를 새로운 지형 이미지라 간주하여 알고리즘에 적용하였다. 입력된 새로운 지형 이미지는 학습되어져 있는 지형이므로 결국 좋은 분류 성능을 보여야 할 것이다.
- 먼저 영상 이미지가 입력되면 대비 값들을 이용하여 영상을 수정하고 수정된 각 영상을 Over-segmentation 방법을 이용하여 각 영상 이미지의 물질 특징 값들을 추출하게 된다. 추출된 물질 특징 값들의 공분산을 구하여 가장 작은 공분산 값을 찾고, 그 공분산 값을 만들어낸 대비 값을 최적의 대비 값으로 선정한다. 이것은 공분산 값이 최소에 더 가까울수록 수정된 영상 이미지 안의 각 물질들이 더욱 조밀하게 평가되어지는 것을 의미한다.
대상 데이터
- 실험 결과는 본 연구에서 사용하는 각 지형의 실제 마찰계수로 사용하였다. 영상 정보는 범블비(Bumblebee) 카메라를 사용하여 획득 하였다.
이론/모형
- Texton을 사용하면 색상과 관련 없이 질감으로 각 물질을 판단 할 수 있다[10]. 그리고 정확하고 빠르게 영상의 질감을 판단하기 위해 Verma 방법을 이용해 Texton Histogram을 만들어 사용한다[11].
- 로봇의 바퀴와 지형의 지면간의 물리적인 값을 확인하기 위하여 마찰 계수를 측정하는 실험을 하였다. 그림 8의 4가지 지형을 마찰 계수 측정 실험에 사용하였으며 측정된 마찰 계수는 지형 분류 알고리즘에 적용하여 가동성 지도를 생성하는데 이용되었다.
- 기존에 학습이 이루어지지 않은 새로운 지형 이미지를 특정한 지형으로 구분 짖기 위하여 베이시안 분류기(Bayesian classification)를 사용한다[13]. 식 (3)은 베이시안 분류기를 나타낸다.
- 그림 4는 최적의 대비 값을 선정하기 위한 알고리즘 흐름도이다. 먼저 영상 이미지가 입력되면 대비 값들을 이용하여 영상을 수정하고 수정된 각 영상을 Over-segmentation 방법을 이용하여 각 영상 이미지의 물질 특징 값들을 추출하게 된다. 추출된 물질 특징 값들의 공분산을 구하여 가장 작은 공분산 값을 찾고, 그 공분산 값을 만들어낸 대비 값을 최적의 대비 값으로 선정한다.
- 본 논문에서는 영상 정보를 활용하여 자율 주행 로봇의 이동성을 개선하기 위한 지형 분류 알고리즘을 연구하였다. 영상의 전처리 과정을 통해 이미지를 보정하고 보정된 영상 이미지를 over-segmentation 방법을 이용하여 지형의 특징 데이터를 추출하였다. 추출된 지형 특징 데이터는 가우시안 분포를 갖는 그룹을 생성하기 위해 사용되었다.
- 영상의 질감 판단 결과는 Felzenszwalb의 방법[12]을 이용한 질감의 유사도 판별 과정을 통해 지형 영상을 부분별로 병합(merge)하여 각 물질 조각인 Segment를 생성한다.
- 지형의 특징 데이터를 추출하기 위해 본 논문에서는 Over-segmentation 방법을 사용한다. Over-segmentation은 입력된 지형 영상의 질감을 이용한 분류 방법으로 Leung과 Malik가 소개한 Texton을 사용한다.
- 본 논문에서 제시한 지형 분류 알고리즘은 영상 정보를 기반으로 하고 있기 때문에 주변 환경에 많은 영향을 받는다. 특히, 날씨 변화에 매우 민감하게 작용하는데 이러한 날씨에 따른 영상 정보의 오류를 개선하기 위해 영상 전처리 방법 중의 하나인 영상 대비 강화 기법(Contrast Enhancement Technique)을 사용한다.
성능/효과
- 5%의 정확도를 보였다. 결과 적으로 전체적인 지형 분류 알고리즘이 좋은 지형 분류 성능을 갖고 있다는 것을 확인하였다.
- 그림 15에서 햇빛에 의한 그림자는 어두운 색상으로 이러한 환경적 요인은 지형 물질이 흙임에도 불구하고 아스팔트 물질 영역이라는 분류 결과를 보였다. 결과적으로 그림 15, 그림 16, 그림 17, 그림 18의 지형 분류 결과에서 볼 수 있듯이 약간의 환경적 요인을 제외하고는 전반적으로 신뢰할 수 있는 분류 결과를 보였다.
- 55%로서 수정된 이미지를 이용한 방법이 지형을 분류 하는데 있어서 훨씬 더 효과적인 것을 알 수 있다. 결과적으로 이러한 지형 분류 검증을 통해 지형 분류 알고리즘이 좋은 지형 분류 성능을 가지고 있다는 것을 확인하였다.
- 분류 성능을 정량적인 방법으로 검증하기 위해 그림 9와 10과 같이 큰 자갈 지형의 이미지(가)에 큰 자갈 물질 영역(다)을 설정하여 이미지 마스크를 만들고 이미지 마스크를 지형 분류가 완료된 이미지(나)에 덮어 물질 영역 안에서의 분류 결과(라)를 확인하였다. 결과적으로 이미지의 각 픽셀(pixel)의 개수를 확인하였을 때 분류 정확도는 원본 이미지를 이용한 방법은 약 6.81%, 수정된 이미지를 이용한 방법은 약 96.55%로서 수정된 이미지를 이용한 방법이 지형을 분류 하는데 있어서 훨씬 더 효과적인 것을 알 수 있다. 결과적으로 이러한 지형 분류 검증을 통해 지형 분류 알고리즘이 좋은 지형 분류 성능을 가지고 있다는 것을 확인하였다.
- 논문에서 제시된 영상 대비 강화 기법(Contrast Enhancement Technique)은 기존의 영상을 적절한 양수의 대비 값을 선택함으로서 개선된 영상으로 바꿀 수 있다. 대비 값은 0에서 2까지 선택할 수 있고 대비 값을 0으로 선정하여 이미지를 변환하면 전체적인 이미지는 어두운 색채를 띠게 된다.
- 베이시안 분류기의 지형 분류 결과를 보면 그룹 1에 15개, 그룹 2에 25개, 그룹 3에 11개, 그룹 4에 78개가 분류가 되었다. 또한 분류결과를 확률적으로 계산해보면 90.5%의 정확도를 보였다. 결과 적으로 전체적인 지형 분류 알고리즘이 좋은 지형 분류 성능을 갖고 있다는 것을 확인하였다.
- 본 논문에서 제시한 지형 분류 알고리즘은 영상 정보를 기반으로 하고 있기 때문에 주변 환경에 많은 영향을 받는다. 특히, 날씨 변화에 매우 민감하게 작용하는데 이러한 날씨에 따른 영상 정보의 오류를 개선하기 위해 영상 전처리 방법 중의 하나인 영상 대비 강화 기법(Contrast Enhancement Technique)을 사용한다.
후속연구
- 본 연구의 향후 과제는 지형 분류 알고리즘의 모든 시스템을 실시간적으로 운용할 수 있는 방법을 찾는 것이다. 처음 로봇이 다양한 지형을 학습할 때 학습은 오프라인(OFF-LINE)상에서 이루어지므로 추후에는 온라인(ON-LINE)상에서 로봇이 다양한 지형을 이동하면서 자율적으로 학습하는 자동 학습 기능을 갖게 하는 것이 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.