[논문]SVR을 이용한 이동로봇의 실내환경 인식

심준홍; 최정원

doi:10.5207/jieie.2010.24.8.119

SVR을 이용한 이동로봇의 실내환경 인식
Indoor Environment Recognition of Mobile Robot Using SVR 원문보기

照明·電氣設備學會論文誌 = Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, v.24 no.8, 2010년, pp.119 - 125

심준홍 (한국생산기술연구원) , 최정원 (영남이공대학 전기자동화과)

초록
AI-Helper

본 논문에서는 초음파를 이용하여 자율 운행을 하는 이동로봇이 가지는 물리적인 문제점을 해결하기 위한 방안을 제시 한다. 이동 로봇이 주변 환경을 인지함에 있어서 각종 센서를 사용한다. 그러한 센서들은 항상 올바른 값을 주지 않는다. 센서값에는 항상 노이즈가 포함되어 있는데 이것을 해결하기 위해서 학습 알고리즘인 SVR(Support Vector Regression)을 사용하여 주변 환경을 센싱한 초음파 값을 토대로 주변 환경을 추정할 수 있다. SVR을 사용하기 위해서는 SVR의 요소인 parameter와 커널을 선정해야 한다. SVR의 요소를 선정함에 있어서 정해진 값이 존재하지 않기 때문에 실험을 통해서 가장 적합한 parameter 값을 선정해야 한다. 또한 커널을 선정함에 있어서는 일반화가 가장 잘 되어 있는 RBF(Radial Basis Function)커널을 사용하였다. 본 논문에서는 세가지 환경에서의 실험을 통하여 SVR을 이용하여 센서값의 오류를 개선할 수 있음을 나타내었다.

Abstract ▼ AI-Helper

This paper proposes a new solution about physical problem of autonomous mobile robots system using ultrasonic sensors. An mobile robot uses several sensors for recognition of its circumstance. However, such sensor data are not accurate all the time. A means of removing the noise that sensor data contains constantly, It is possible for simulation to estimate its circumstance based on ultrasonic sensor data by learning algorithm SVR(Support Vector Regression). To use SVR, it is being selected parameter and kernel which are the component of SVR. Selecting the component of SVR, the most accurate parameter data was selected through the tests because it is not existed determined data. In addition, choosing the kernel uses RBF(Radial Basis Function) kernel which is the most generalized. This paper proposes SVR based algorithm to compensate for the above demerits of ultrasonic sensor through the experimentation under three different environments.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문은 초음파센서를 이용하여 이동 로봇이 주위 물체와 환경을 인지함에 있어서 SVR 알고리즘을 사용하여 보다 향상된 인식 능력을 갖추는데 있다. 기존의 초음파센서를 이용한 환경인식 방법은 여러 가지 문제점을 가진다.

가설 설정

본 실험에서는 3가지 환경을 가정하고 실시하였다. 3가지 환경은 로봇이 가장 인식하기 좋은 평면과 다중 반사현상이 있는 코너, 그리고 초음파만으로 인식이 가장 어려운 교차로틀 구성해 실험하였다.

제안 방법

본 실험에서는 3가지 환경을 가정하고 실시하였다. 3가지 환경은 로봇이 가장 인식하기 좋은 평면과 다중 반사현상이 있는 코너, 그리고 초음파만으로 인식이 가장 어려운 교차로틀 구성해 실험하였다. 실험은 세가지 환경에 대해 각각의 훈련으로부터 가중치와 바이어스를 가지는데 실험의 실측값은 현실에서 이루어지는 과정이므로 SVR 추정기에 훈련결과를 입력해야 한다.
다른 실험과 같은 방법으로 실제 환경에서 초음파를 통하여 거리값을 측정 하였다. 표 7은 실제 측정한 초음파의 거리값이다.
마지막 실험으로 초음파의 물리적인 특성으로 인하여 가장 거리값 측정이 어려운 교차로 실험을 하였다. 실험 배치는 그림 14와 같다.
이러한 문제를 해결하는 방법으로 물리적으로 추가적인 센서를 부착하는 방법으로 문제를 해결하였다[1-2]. 본 논문에서는 SVR의 특성 중 하나인 Regression을 이용하여 추가적인 센서의 부착 없이 로봇이 초음파센서만을 이용하여 주위환경을 인식할 수 있도록 하였다.
초음파센서 S0과 S8은 반사값이 없으므로 초음파 제어기에서 받을 수 있는 최대값으로 제한을 두었다. 우선 레퍼런스 값을 가지기 위해서 이론적인 거리 값을 구하였다. 이상적인 거리값은 표 2와 그림 7에서 볼 수 있다.
이상적인 거리 값을 통해 레퍼런스 값을 구한 다음 실제 초음파센서를 이용하여 거리값을 측정하였다. 실제 측정한 거리 값은 표 3에 있다.

대상 데이터

본 논문에서 사용한 초음파센서는 SRF04(Robot electronics)모듈이며 40[㎑]의 주파수 대역을 사용하고, 출력레벨은 120[dB], 수신감도는 -65[dB]의 특성을 가진다. 동작 타이밍도는 그림 1과 같고, 실험에 사용된 초음파센서의 배치도는 그림 2와 같으며, 각각의 센서는 22.
장애물 인식, 물체 회피, 맵 매핑 등을 위해 사용되는 선형 근사화 이론들이 많이 사용되고 있지만 본 실험에 적용된 SVR은 Neural-Network와는 달리 국부 최소점에 학습되지 않는 부분이 빠질 우려가 없고 SVR의 기본 이론으로부터 구조적 리스크를 최소화할 수 있는 장점을 가진다. 본 논문에서는 SVR의 입력 데이터로 하나의 훈련 데이터를 사용하였다.

이론/모형

표 1은 세가지 환경에서의 시뮬레이션 조건을 나타내었고 커널은 비선형 모델에 강인한 ERBF(Exponential Radial Basis Function)을 사용하였다.

성능/효과

하지만 코너나 교차로에서 초음파센서는 많은 취약점을 보인다. SVR 알고리즘을 통하여 패턴을 추정한 결과, 코너와 교차로에서도 강인한 추정이 가능함을 알 수 있다. 그림 10은 로봇의 코너환경에서 벽을 인식하는 실험 배치이다.
본 논문에서는 SVR을 이용하여 초음파의 노이즈에 관한 특성을 완화 할 수 있음을 보였다. 또한 SVR은 학습 알고리즘으로서 시스템의 입력과 출력만으로 별도의 모델구조없이 시스템의 모델링이 가능함을 보았다. 따라서 비선형적인 모델 구조를 가지거나, 모델의 구조가 복잡한 경우에 SVR을 이용하면 간단히 모델링이 가능하며 또한 종래의 학습알고리즘과 다른 학습방법을 사용함으로써 일반화의 성능을 향상할 수 있을 것으로 기대된다.
특히 초음파센서의 경우 초음파센서가 가지는 물리적 특성인 음파로 인하여 많은 노이즈를 포함하게 된다. 본 논문에서는 SVR을 이용하여 초음파의 노이즈에 관한 특성을 완화 할 수 있음을 보였다. 또한 SVR은 학습 알고리즘으로서 시스템의 입력과 출력만으로 별도의 모델구조없이 시스템의 모델링이 가능함을 보았다.
실제 실험에서 측정한 초음파값을 SVR에 입력한 결과는 이상적인 값과 비교했을때 0.2[%]정도의 오차로 뛰어난 추정능력을 볼 수 있다.
예상대로 교차로에서의 초음파값은 이상적인 거리값과는 많이 다른 결과가 측정됨을 알 수 있었다. SVR을 통한 추정은 그림 16과 같이 성공적임을 알 수 있었고, 오차 역시 0.
오차 범위가 평면벽과 코너에서의 오차 범위와 큰 차이를 보이지 않으며 정확한 추정이 가능함을 알 수 있었다.
이처럼 초음파의 특성으로 인하여 계산상의 거리 산출이 어렵기 때문에 초음파센서로부터 물체에 반사되어 돌아온 음파에 대한 거리를 수학적 모델로 수립한다는 것은 이미 노이즈를 포함하고 있는 것과 같다. 장애물 인식, 물체 회피, 맵 매핑 등을 위해 사용되는 선형 근사화 이론들이 많이 사용되고 있지만 본 실험에 적용된 SVR은 Neural-Network와는 달리 국부 최소점에 학습되지 않는 부분이 빠질 우려가 없고 SVR의 기본 이론으로부터 구조적 리스크를 최소화할 수 있는 장점을 가진다. 본 논문에서는 SVR의 입력 데이터로 하나의 훈련 데이터를 사용하였다.

후속연구

또한 SVR은 학습 알고리즘으로서 시스템의 입력과 출력만으로 별도의 모델구조없이 시스템의 모델링이 가능함을 보았다. 따라서 비선형적인 모델 구조를 가지거나, 모델의 구조가 복잡한 경우에 SVR을 이용하면 간단히 모델링이 가능하며 또한 종래의 학습알고리즘과 다른 학습방법을 사용함으로써 일반화의 성능을 향상할 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기존의 초음파센서를 이용한 환경인식 방법은 어떠한 문제점이 존재하는가?	기존의 초음파센서를 이용한 환경인식 방법은 여러 가지 문제점을 가진다. 그 예로 로봇이 코너를 인식할 때 초음파센서의 물리적인 방향성 문제와 초음파센서 빔의 반사현상으로 인하여 로봇이 주위의 환경을 제대로 인식하지 못하는 문제가 있었다. 이러한 문제를 해결하는 방법으로 물리적으로 추가적인 센서를 부착하는 방법으로 문제를 해결하였다[1-2].
	SVR이란?	SVR은 SVM(Support Vector Machine)이 가지는 특성중 회귀특성(Regression)을 특화시킨 이론으로 학습 알고리즘을 구현함에 있어서 Regression을 활용한다.
	초음파센서를 이용하여 거리를 측정하는 방법에는 일반적으로 어떠한 방법이 사용되는가?	하지만 센서가 가지는 물리적인 특성으로 인하여 정밀제어에 사용되지 않거나 정확성을 높이기 위하여 추가적인 센서와 함께 사용된다[3-4]. 초음파센서를 이용하여 거리를 측정하는 방법으로는 일반적으로 TOF(Time Of Flight)방법이 사용된다. 초음파센서의 장점으로는 다른 센서에 비하여 다루기가 쉽다는 것이다.

참고문헌 (7)

Sebastian Thrun, “A Probabilisitic Approach to Concurrent Mapping and Localization for Mobile Robots,” Machine Learning and Autonomous Robots, 31/5, 1-.25, 1998.
Stephen Se, David Lowe and Jim Little, “Mobile Robot Localization and Mapping with Uncertainty using Scale-.Invariant Visual Landmarks,” International Journal of Robotics Research, vol.21, No.8, pp.735-.758, Aug. 2002.

상세보기
Roman Kuc and M. W. Siegel, “Physically Cased Sumulation Model for Acoustic Sensor Robot Navigation,” IEEE Trans. on PAMI vol.PAMI-.9, no.6, pp.776-.778, Nov. 1987.
Philip John McKerrow, “Simulation of Sonar Echolocation,” Proceedings First Workshop in Demestic Robots and Second WorkShop on Medical and Healthcare Robotics, IARP, pp.127-.136, Sep. 1989, UK.
Jorg, K.-.W. Berg, M., “First Result in Eliminating Crosstalk & Noise by Applying Pseudo-.Random Sequences to Mobile Robot Sonar Sensing,” Proceedings of the First Euromicro Workshop, pp.40-.45, Oct. 1996.
R. J. Vanderbei. Linear Programming: Foundations and Extensions., Kluwer Academic Publishers, Hingham, MA, 1997.
G. W. Flake and S. Lawrence, “Efficient SVM Regression Training with SMO,” Machine Learning, NEC Research Institute, 2001.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증