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
- 따라서 이동 로봇의 지도 작성 방법에 대한 다른 접근법이 필요하다. 본 논문에서는 아직 국내에서 연구가 이루어지지 않은 위치정보를 사용하지 않고 지도 작성이 가능한 알고리즘을 제안 한다.
- 본 논문에서는 이동 로봇을 위한 지능형 주행 알고리즘인 온라인 SLAM 알고리즘을 제안한다. 제안된 알고리즘은 다음과 같은 의미를 가진다.
제안 방법
- 선행 연구 분석에서는 먼저 SLAM 기법에 대한 성능 향상 기법과, 계산상의 효율성을 위해 위치 정보를 사용하지 않고 지도 작성 하는 방법에 대해 분석한다. 그리고 SLAM을 구현 하기위해 차원 축소 방법으로 많이 사용되는 주성분분석 방법의 문제점인 일괄처리 방식, 학습 자료간의 선향 관계가 있는 경우에만 적용 가능한 문제점들을 해결하기 위한 기존의 연구를 분석한다.
- 따라서 본 논문에서는 KPCA의 일괄처리 방식의 문제점은 Hall이 제안한 온라인 주성분분석 방법을 적용하여 해결하고, 선형 자료에만 적용이 가능한 문제는 다항식 커널 함수에서 구해진 특징 사상함수를 온라인 주성분분석 방법에 적용하여 온라인으로 동작하면서, 위치 정보를 사용하지 않고 지도 작성이 가능하고, 많은 계산량을 요구하지 않은 온라인 SLAM 알고리즘을 제안한다.
- 일반적으로 온라인 방법은 일괄처리 방식에 비해 메모리 효율성이 좋고 학습 자료의 추가를 허용하는 유연한 기법이지만 일괄처리 방식에 비해 정확도가 떨어지는 것이 문제가 된다. 따라서 실험은 먼저 토이 (toy) 자료에 대해 제안한 방법과 커널 주성분 분석 방법과의 주성분값, 재구성 오차 (reconstruction error), 고유벡터의 비교 등을 통해 제안된 온라인 SLAM 알고리즘의 정확도를 검증한다. 이때 사용하는 데이터는 Scholkopf (1998)가 그의 논문에서 사용한 비선형 자료를 사용한다.
- 이때 사용하는 데이터는 Scholkopf (1998)가 그의 논문에서 사용한 비선형 자료를 사용한다. 토이 자료에 대해 온라인 SLAM 알고리즘의 타당성을 검정한 후 대용량 데이터에 대한 온라인 SLAM 알고리즘의 메모리 효율성, 정확도 및 학습의 유연함을 검증하기 위해 기계학습 분야에서 많이 사용하는 바나나 학습 자료에 대해 적용한다.
- 따라서 온라인 SLAM 알고리즘 또한 적은 양의 메모리에서 동작하는 것은 매우 중요하다. 제안된 온라인 SLAM 알고리즘 방법의 메모리 효율성 및 정확도를 검증하기 위해 대용량의 학습 자료에 대한 실험을 수행하였다. 학습 자료는 기계학습에서 학습 알고리즘의 성능을 평가 하는 벤치마킹 자료로 많이 사용되는 바나나 학습 데이터 이다.
- 이상의 실험 결과를 바탕으로 제안한 방법은 지능형 주행을 위한 이동 로봇의 SLAM 알고리즘으로 적합한 것을 알 수 있다. 앞으로의 연구 방향은 본 논문에서 제안한 알고리즘의 경우 최적의 중단 규칙 (stopping rule)이 없이 휴리스틱 (heuristic)에 의해 재학습 횟수를 설정하였다. 향후 연구에서는 최적의 중단 규칙 (stopping rule) 개발과 제안된 알고리즘에 의해 작성된 지도를 바탕으로 주변의 사물을 인식하여 지능형 주행을 할 수 있는 인식 알고리즘을 개발하여 이를 실제 로봇에 적용하여 그 타당성을 검정 하고자 한다.
대상 데이터
- 따라서 실험은 먼저 토이 (toy) 자료에 대해 제안한 방법과 커널 주성분 분석 방법과의 주성분값, 재구성 오차 (reconstruction error), 고유벡터의 비교 등을 통해 제안된 온라인 SLAM 알고리즘의 정확도를 검증한다. 이때 사용하는 데이터는 Scholkopf (1998)가 그의 논문에서 사용한 비선형 자료를 사용한다. 토이 자료에 대해 온라인 SLAM 알고리즘의 타당성을 검정한 후 대용량 데이터에 대한 온라인 SLAM 알고리즘의 메모리 효율성, 정확도 및 학습의 유연함을 검증하기 위해 기계학습 분야에서 많이 사용하는 바나나 학습 자료에 대해 적용한다.
- 제안된 온라인 SLAM 알고리즘 방법의 메모리 효율성 및 정확도를 검증하기 위해 대용량의 학습 자료에 대한 실험을 수행하였다. 학습 자료는 기계학습에서 학습 알고리즘의 성능을 평가 하는 벤치마킹 자료로 많이 사용되는 바나나 학습 데이터 이다. 바나나 학습 자료는 2개의 클래스로 구성된 비선형 자료이며 학습 알고리즘의 성능을 평가하기 위해 학습용 자료 400개와 테스트 자료 4900개로 분리되어 있다.
- 바나나 학습 자료는 2개의 클래스로 구성된 비선형 자료이며 학습 알고리즘의 성능을 평가하기 위해 학습용 자료 400개와 테스트 자료 4900개로 분리되어 있다. 하지만 본 논문에서는 분류가 아닌 차원 축소 성능에 대한 평가가 목적이므로 두개를 합친 5300개의 학습 자료에 대해 실험을 하였다. 바나나 학습 자료에 대해 제안한 알고리즘의 수행결과 5번의 재학습에 의한 재구성 오차의 MSE는 0.
이론/모형
- 본 논문에서 접근하는 지도 작성 방법은 위치정보 없이 가능하며 이는 차원 축소 (dimensionality reduction) 개념을 기본으로 하고 있다.
성능/효과
- 즉 두 벡터가 같다는 것을 의미한다. 고유벡터를 비교한 결과에서도 일괄처리 커널주성분 방법과 제안한 온라인 SLAM 알고리즘의 성능이 같음을 알 수 있다.
- 하지만 온라인 SLAM 알고리즘은 커널 행렬을 저장할 필요 없이 3*3 크기의 고유벡터만이 필요하며 부가적으로 4×4 크기의 D 행렬, 4×1 크기의 γ 행렬, 3×1 크기의 # 행렬 정도만이 필요하여 메모리 효율성이 KPCA에 비해 매우 높음을 보여준다. 본 실험 결과는 제안한 온라인 SLAM 알고리즘 방법의 메모리 효율성을 보여주는 것으로 이동로봇의 실세계 주행과 같은 대용량의 이미지 처리가 요구되는 환경에 유용하게 적용될 수 있음을 보여준다.
- 첫째, 비선형 자료의 특징 추출 성능에서는 온라인 SLAM 알고리즘 방법이 기존의 일괄처리 KPCA와 유사한 성능을 나타내었다.
- 둘째, 기존의 SLAM 알고리즘에 비해 메모리 사용면에서 매우 효율적이다. 기존의 일괄처리 방식의 KPCA의 경우 학습 자료의 개수가 N개 일 때 고유공간 (eigenspace)을 계산하기 위해 O(N2) 만큼의 메모리가 필요하다.
- 하지만 제안된 온라인 SLAM 알고리즘 방법은 학습 자료의 추가를 허용 하면서 위치 추정 및 지도 작성을 할 수 있다. 이상의 실험 결과를 바탕으로 제안한 방법은 지능형 주행을 위한 이동 로봇의 SLAM 알고리즘으로 적합한 것을 알 수 있다. 앞으로의 연구 방향은 본 논문에서 제안한 알고리즘의 경우 최적의 중단 규칙 (stopping rule)이 없이 휴리스틱 (heuristic)에 의해 재학습 횟수를 설정하였다.
후속연구
- 따라서 온라인으로 동작하면서, 위치 정보를 사용하지 않고 지도 작성이 가능하고, 많은 계산량을 요구하지 않은 자율 이동 로봇의 주행 기법을 개발하는 연구가 필요하다.
- 행렬 를 구성하는 몇 가지 방법이 제안 되었는데 Hall이 제안한 방법만이 평균을 갱신할 수 있도록 제공하는데 이 기법은 평균의 갱신을 허용하지 않는 기법에 비해 성능이 우수한 것으로 알려져 있다. 따라서 본 연구에서는 Hall 이 제안한 평균의 갱신을 허용하는 방법을 주성분 갱신의 기본 방법으로 사용할 예정이다.
- 앞으로의 연구 방향은 본 논문에서 제안한 알고리즘의 경우 최적의 중단 규칙 (stopping rule)이 없이 휴리스틱 (heuristic)에 의해 재학습 횟수를 설정하였다. 향후 연구에서는 최적의 중단 규칙 (stopping rule) 개발과 제안된 알고리즘에 의해 작성된 지도를 바탕으로 주변의 사물을 인식하여 지능형 주행을 할 수 있는 인식 알고리즘을 개발하여 이를 실제 로봇에 적용하여 그 타당성을 검정 하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.