이동로봇의 동시 위치인식 및 지도작성 (Simultaneous Localization And Mapping, SLAM) 에서 가장 기본이 되는 알고리즘은 확장 칼만 필터 SLAM(Extended Kalman Filter SLAM, EKF-SLAM)이다. 하지만 칼만 필터를 사용할 때, 시스템 설계자는 외부 입력에 대한 시스템적 특성과 외부 노이즈의 확률적 모델을 알고 있어야 하나, 실제 환경에서는 이를 정확히 파악할 수 없는 한계가 있다. 이에, 칼만 필터를 불확실성이 심한 실제 환경에 적용할 경우 내부 변수의 변화에 민감하게 반응하거나, 필터의 수학적 일관성이 지켜지지 않거나 또는 부정확한 상태 변수값을 추정하기도 한다. 이에 비해 $H_{\infty}$ 필터는 외부 모델에 대한 상세한 정보가 없을지라도 강인하게 상태를 예측할 수 있다는 장점을 가지고 있다. 본 논문에서는 이러한 $H_{\infty}$ 필터의 특성이 이용로봇의 SLAM 알고리즘의 성능 향상에 도움이 될 것이라는 아이디어에 착안하여 $H_{\infty}$ 필터에 가번한 SLAM 알고리즘을 제안하고 이를 모의 실험에 적용해 보았다. 이를 통해 불확실성이 큰 환경에서는 제안된 알고리즘이 기존의 EKF-SLAM에 비해 다소 우수한 예측 성능을 보임을 확인할 수 있었다.
이동로봇의 동시 위치인식 및 지도작성 (Simultaneous Localization And Mapping, SLAM) 에서 가장 기본이 되는 알고리즘은 확장 칼만 필터 SLAM(Extended Kalman Filter SLAM, EKF-SLAM)이다. 하지만 칼만 필터를 사용할 때, 시스템 설계자는 외부 입력에 대한 시스템적 특성과 외부 노이즈의 확률적 모델을 알고 있어야 하나, 실제 환경에서는 이를 정확히 파악할 수 없는 한계가 있다. 이에, 칼만 필터를 불확실성이 심한 실제 환경에 적용할 경우 내부 변수의 변화에 민감하게 반응하거나, 필터의 수학적 일관성이 지켜지지 않거나 또는 부정확한 상태 변수값을 추정하기도 한다. 이에 비해 $H_{\infty}$ 필터는 외부 모델에 대한 상세한 정보가 없을지라도 강인하게 상태를 예측할 수 있다는 장점을 가지고 있다. 본 논문에서는 이러한 $H_{\infty}$ 필터의 특성이 이용로봇의 SLAM 알고리즘의 성능 향상에 도움이 될 것이라는 아이디어에 착안하여 $H_{\infty}$ 필터에 가번한 SLAM 알고리즘을 제안하고 이를 모의 실험에 적용해 보았다. 이를 통해 불확실성이 큰 환경에서는 제안된 알고리즘이 기존의 EKF-SLAM에 비해 다소 우수한 예측 성능을 보임을 확인할 수 있었다.
The most basic algorithm in SLAM(Simultaneous Localization And Mapping) technique of mobile robots is EKF(Extended Kalman Filter) SLAM. However, it requires prior information of characteristics of the system and the noise model which cannot be estimated in accurate. By this limit, Kalman Filter show...
The most basic algorithm in SLAM(Simultaneous Localization And Mapping) technique of mobile robots is EKF(Extended Kalman Filter) SLAM. However, it requires prior information of characteristics of the system and the noise model which cannot be estimated in accurate. By this limit, Kalman Filter shows the following behaviors in a highly uncertain environment: becomes too sensitive to internal parameters, mathematical consistency is not kept, or yields a wrong estimation result. In contrast, $H_{\infty}$ filter does not requires a prior information in detail. Thus, based on a idea that $H_{\infty}$ filter based SLAM will be more robust than the EKF-SLAM, we propose a framework of $H_{\infty}$ filter based SLAM and show that suggested algorithm shows slightly better result man me EKF-SLAM in a highly uncertain environment.
The most basic algorithm in SLAM(Simultaneous Localization And Mapping) technique of mobile robots is EKF(Extended Kalman Filter) SLAM. However, it requires prior information of characteristics of the system and the noise model which cannot be estimated in accurate. By this limit, Kalman Filter shows the following behaviors in a highly uncertain environment: becomes too sensitive to internal parameters, mathematical consistency is not kept, or yields a wrong estimation result. In contrast, $H_{\infty}$ filter does not requires a prior information in detail. Thus, based on a idea that $H_{\infty}$ filter based SLAM will be more robust than the EKF-SLAM, we propose a framework of $H_{\infty}$ filter based SLAM and show that suggested algorithm shows slightly better result man me EKF-SLAM in a highly uncertain environment.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
하지만 필터가 적용이 되는 업데이트 과정에서는두 알고리즘이 차이를 보인다. 따라서 본 논문에서는 EKF-SLAM 알고리즘과 차이를 보이는 Hco-SLAM 알고리즘의 특성을 설명함으로써, 전체 알고리즘을 구체화하려 고 한다.
본 논문에서는 불확실성이 큰 환경에서, 이동 로봇의 SLAM의 성능을 향상시킬 수 있는 방법에 대한 연구를진행하였다. 먼저, 기존에 사용되고 있던 EKF-SLAM 의 단점을 제시하였고, 그 단점을 보완할 수 있는 丑8 필터에 기반한 SLAM 알고리즘(丑8-SLAM)을 제안하였다.
가설 설정
탑재되어 있으며, 。「센서는 랜드■마크까지의 거리 (為)와 각도 饥 Jk) 를 측정 한다고 가정 한다.
SLAMCHoo-SLAM)을 제안 한*. 다 본 접근법의 기본 접근 철학은 H8 필터如는 칼만 필터와 달리 오차 모델에 대한 상세한 정보 보다는 오차 노름(norm)의크기의 상한선 정보만 있다면 그 범위 안에서는 강인한성능을 보이기 때문에, 불확실성이 존재하는 실제 환경에서는 HASLAM이 기존의 EKF-SLAM에 비해 다소우수한 성능을 보일 것이라는 가정이다.
제안 방법
Hg-SLAM의 강인성을 보이기 위하여 아래 그림 2 와 같은 환경에서 MATLAB 기반의 모의실험을 수행하였다.
SLAM 내에서는 지도작성과 위치인식이 상호 영향을 미치는 특성으로 인해 상태 변수의 값 뿐 만아니라, 상태 변수의 불확실성이 함께 고려되어야 하며, 이에 대한 최초의 해결책은 확장 칼만 필터(Extended Kalman Filter, EKF) 기반의 SLAM(EKF-SLAM)을통해 제시되었다.
먼저, 기존에 사용되고 있던 EKF-SLAM 의 단점을 제시하였고, 그 단점을 보완할 수 있는 丑8 필터에 기반한 SLAM 알고리즘(丑8-SLAM)을 제안하였다. 그리고 SLAM 과정에서 발생하는 바퀴 오차를수학적으로 모델링 하였고, 물리적 의미를 제시하였다. 그 모델링 정보를 이용하여 바퀴 오차가 존재하는 경우와 그렇지 않은 경우에 대한 EKF-SLAM 알고리즘 성능과 He-SLAM 알고리즘 성능을 비교하였고, 그 결과바퀴 오차값이 큰 경우에는 H8-SLAM이 기존의 EKF-SLAM에 비해 우수한 성능을 보이는 것을 확인할 수 있었다.
먼저, 기존에 사용되고 있던 EKF-SLAM 의 단점을 제시하였고, 그 단점을 보완할 수 있는 丑8 필터에 기반한 SLAM 알고리즘(丑8-SLAM)을 제안하였다. 그리고 SLAM 과정에서 발생하는 바퀴 오차를수학적으로 모델링 하였고, 물리적 의미를 제시하였다.
대상 데이터
본 알고리즘을 시험하기 위해 그림 1과 같은 디퍼런셜 드라이브 로봇의 모델을 사용하였다. 로봇의 상태는 식 (13)과 같이 좌표 羽 와 입력 快로 나타난다.
측정데이터 는 로봇의 센서로부터 랜드 마크까지의 거리 (妇과 각도 V棚으로 구성된 2X”행렬이며, 로봇의 제어 스텝 兩에서 관측된 랜드마크의 개수 〃만큼의 열로구성된다.
데이터처리
비교한 결과이다. 각 데이터는 10번의 실험을 통해 측정된 결과의 평균값이 이용되었고, X축은 주행거리, y축은 RMSE를 나타낸다. 주행거리는 전체 약 112m이다.
실험을 통해 비교 검증한다. 그 결과, 바퀴 오차와 같이모델링되지 않거나 예측할 수 없는 환경의 변화가 있는: 경우에는 제안된 H8-SLAM이 기존의 EKF-SLAM에비해 우수한 성능을 보임이 확인되었다.
성능/효과
실험을 통해 비교 검증한다. 그 결과, 바퀴 오차와 같이모델링되지 않거나 예측할 수 없는 환경의 변화가 있는: 경우에는 제안된 H8-SLAM이 기존의 EKF-SLAM에비해 우수한 성능을 보임이 확인되었다.
그리고 SLAM 과정에서 발생하는 바퀴 오차를수학적으로 모델링 하였고, 물리적 의미를 제시하였다. 그 모델링 정보를 이용하여 바퀴 오차가 존재하는 경우와 그렇지 않은 경우에 대한 EKF-SLAM 알고리즘 성능과 He-SLAM 알고리즘 성능을 비교하였고, 그 결과바퀴 오차값이 큰 경우에는 H8-SLAM이 기존의 EKF-SLAM에 비해 우수한 성능을 보이는 것을 확인할 수 있었다. 이를 통해, 예측할 수 없는 환경의 변화가 있는 경우에는 제안된 He-SLAM 이 기존의 EKF-SLAM에 비해 더 정확한 예측을 할 수 있다는본 논문의 주장을 증명할 수 있었다.
이를 위해 본 논문에서는 Hco-SLAM을 제안하고, SLAM 과정 중에 발생하는 오차들 중에서 바퀴를 통해들어오는 오차는 EKF-SLAM이 가정하는 수학적 모델과 상이함을 보인다. 이후 다양한 바퀴 오차의 값에 대해 丑8-SLAM의 성능과 EKF-SLAM의 성능을 모의
그 모델링 정보를 이용하여 바퀴 오차가 존재하는 경우와 그렇지 않은 경우에 대한 EKF-SLAM 알고리즘 성능과 He-SLAM 알고리즘 성능을 비교하였고, 그 결과바퀴 오차값이 큰 경우에는 H8-SLAM이 기존의 EKF-SLAM에 비해 우수한 성능을 보이는 것을 확인할 수 있었다. 이를 통해, 예측할 수 없는 환경의 변화가 있는 경우에는 제안된 He-SLAM 이 기존의 EKF-SLAM에 비해 더 정확한 예측을 할 수 있다는본 논문의 주장을 증명할 수 있었다.
후속연구
그러나 본 논문에서는 SLAM이 더 정확할 수있음에 대한 결과론적 내용을 제시하였을 뿐, 丄 필터알고리즘에서 사용된 가중치와 비용함수 丿 등의 핵심매개 변수가 결과에 미치는 영향에 대한 분석은 이루어지지 않았다. 따라서 향후 연구를 통해 각 매개 변수에대한 구체적 분석이 수행되어야 할 것으로 판단된다.
않았다. 따라서 향후 연구를 통해 각 매개 변수에대한 구체적 분석이 수행되어야 할 것으로 판단된다.
참고문헌 (13)
H. Durrant-Whyte and T. Bailey, "Simultaneous Localization and Mapping: Part I," IEEE Robotics and Automation Magazine, vol. 13, no. 2, pp. 99？110, 2006.
T. Bailey and H. Durrant-Whyte, "Simultaneous Localization and Mapping(SLAM): Part II," IEEE Robotics and Automation Magazine, vol. 13, no. 3, pp. 108-117, 2006.
Guoquan P. Huang, Anastasios I. Mourikis and Stergios I. Roumeliotis, "Observability-based Rules for Designing Consistent EKF SLAM Estimators," The International Journal of Robotics Research, Vol. 29, no. 5, pp. 502-528, 2010.
S. Julier, J. Uhlmann, and H. F. Durrant-Whyte, "A new method for the nonlinear transformation of means and covariances in filters and estimators," IEEE Transactions on Automatic Control, vol. 45, no. 3, pp. 477-482, 2000.
Guoquan P. Huang, Anastasios I. Mourikis and Stergios I. Roumeliotis, "On the Complexity and Consistency of UKF-based SLAM," IEEE International Conference on Robotics and Automation, pp. 4401-4408, 2009.
M. Montemerlo, S. Thrun, D. Koller, and B. Wegbreit, "Fast-SLAM: A factored solution to the simultaneous localization and mapping problem," AAAI National Conference on Artificial Intelligence, pp. 593-598, 2002.
M. Montemerlo, S. Thrun, D. Koller, and B. Wegbreit, "Fast-SLAM 2.0: An improved particle ？ltering algorithm for simul-taneous localization and mapping that provably converges," International Joint Conference on Artificial Intelligence, pp. 1151-1156, 2003.
전서현, 도낙주, "Robust Data Estimation for Simultaneous Localization and Mapping : a hybrid approach of $H_{\infty}$ and Extended Kalman Filter," 고려대학교 대학원 학위논문, 2009년 02월.
Hamzah Ahmad and Toru Namerikawa, " $H{\infty}$ filtering convergence and it's application to SLAM," ICROS-SICE International Joint Conference, pp. 2875-2880, 2009.
T. Basar and P. Bernhard, $H_{\infty}-Optimal $ Control and Related Minimax Design Problems: a dynamic game approach 2nd ed., Birkhauser, 1995.
Dan Simon, Optimal State Estimation, WILEY, pp. 333-391, 2006.
X. Shen and L. Deng, "Game Theory Approach to discrete $H_{\infty}$ Filter Design," IEEE Transactions on Signal Processing, vol. 45, no. 4, pp. 1092-1095, 1997.
Y. S. Hung and F. Yang, "Robust $H_{\infty}$ filtering with error variance constraints for discrete time-varying systems with uncertainty," Automatica, vol 39, no. 7, pp. 1185-1194, 2003.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.