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
- 실외주행을 목적으로 하는 이동 로봇의 지질인식 방법 중 접촉식 센서 정보를 활용한 지질 분류에 관한 연구 결과를 소개하였다. 접촉식 센서를 갖춘 이동 로봇을 제작하여 실험지질로 선정된 네 개의 지질에서 접촉식 센서 데이터를 수집하였고, 이 데이터로 지질의 물리적 특성을 고려한 분석을 수행하여 센서 정보에서 지질 특성정보를 추출하는 알고리즘을 제안하였다.
제안 방법
- 2.3절에서 지질별 접촉식 센서 데이터를 분석한 결과를 바탕으로 수집 데이터에서 지질 특성정보를 추출 하기 위해 Fig. 5와 같은 방법을 고안하였다.
- 외부 플랫폼은 알루미늄 재질로 가로 24cm, 세로 37cm 의 크기를 가지며 에어 충전식 바퀴 4개로 구성된다. 내부 시스템 구성은 임베디드 보드를 중심으로 관성측정장치(IMU)와 2개의 모터 제어기, 4개의 엔코더 모터 등으로 이루어져 있으며, 센서 모듈과 메인보드 사이의 통신은 RS232 통신 방식을 사용 하였고 제어 컴퓨터와 로봇 사이의 통신은 무선랜 방식으로 이루어 지도록 구성하였다.
- 이러한 분류 알고리즘을 이동 로봇에 적용 할 때는 로봇이 주행을 하며 실시간으로 지질을 분류해야 하기 때문에 분류 성능뿐만 아니라 실시간성도 고려해야 한다. 다음 4.3절에서는 실시간성을 고려한 분류 효율성이라는 평가지수를 정의하고 이를 적용하여 고속 퓨리에 변환 특성정보와 피크분산 특성정보를 이용한 분류 방법의 성능을 비교하였다.
- 가 있다. 레이저 스캐너로 지질마다 수집한 데이터를 주파수 정보로 변환하고 이 데이터를 학습 알고리즘으로 학습시켜 지질을 분류하는 방법을 사용하였다. 분류 성능은 높지만 처리할 데이터의 양이 많기 때문에 실시간성이 떨어질 수 있으며, 물 웅덩이와 같은 곳에서는 레이저의 난반사로 인해 데이터 수집이 어렵기 때문에 지질인식의 정확도가 떨어지게 된다.
- 지질 특성 데이터로 사용되는 센서 데이터로는 관성측정장치(IMU)로 측정되는 3축 방향의 가속도, 롤율(roll rate)/피치율(pitch rate)/요율(yaw rate), X축과 Y 축의 기울기 정보가 있고 모터 제어기를 통행 로봇이 주행 중에 사용하는 모터 전류를 수집하게 된다. 모터전류는 이동 로봇의 추진력과 관련된 파라미터이므로 지질마다 데이터의 특성이 다를 것으로 판단하여 접촉 정보에 포함하여 연구를 진행하였다. 컴퓨터와 로봇 사이의 통신은 무선랜 방식으로 이루어 지도록 구성하였다.
- 본 4장에서는 제안한 방법과 기존의 방법의 성능비교를 위해 기존의 지질분류 연구에서 지질 특성정보로 활용하는 고속 퓨리에 변환 특성정보와 피크분산 특성 정보를 신경망을 통해 학습하여 지질을 분류하고, 두 방법의 성능을 비교한 내용을 소개한다. 사용된 신경망은 역전파 알고리즘으로 입력층‐은닉층‐출력층의 역방향 다층퍼셉트론 네트워크 구성을 갖는다.
- 본 논문에서 독창적으로 제안하는 지질 특성정보 추출 방법은 지면과 바퀴 사이의 접촉에 의해 발생하는 현상과 지질의 물리적 특성을 고려하여 접촉식 센서 데이터를 분석한 결과로부터 착안한 방법이다. 기존의 주파수 변환을 이용해 지질 특성정보를 추출하는 방법에 비해서 적은 양의 센서 데이터를 필요로 하고 추출된 지질 특성 데이터의 개수 또한 적다.
- 이 제안하였던 방법을 사용하였다. 센서로 얻은 데이터를 고속 퓨리에 변환 정보로 변환하면 특정 구간의 주파수 성분이 지질마다 다르게 나타나는 특성을 보이게 되는데 이 구간에서 10개의 데이터를 추출하여 지질 특성정보로 활용하였다. 지질마다 추출한 고속 퓨리에 변환 특성정보는 분류 검증을 위해 역전파 알고리즘의 구성은 10노드의 입력층, 30노드의 은닉층, 4노드의 출력층으로 설정하였으며, 학습율은 0.
- 65m/s의 속도로 직선주행을 하도록 제약조건을 주고 실험하여 수집하였다. 소형로봇의 주행 속도는 Table 1과 같이 바퀴 크기를 기준으로 국방연구소에서 개발한 야지 자율주행을 목적으로 하는 견마로봇과의 스케일 비교를 통해서 타당성을 확인 하였다. 바퀴의 크기를 기준으로 실험용 소형로봇의 최대주행속도는 1.
- 수집한 접촉식 센서 데이터가 지질마다 위, 아래 피크점의 주기와 진폭이 다르게 나타나는 특성을 활용 하기 위해 사용자가 정한 일정 구간 동안에 얻어진 데이터에서 위쪽과 아래쪽의 피크점을 추출하였다.
- 이 방법을 통해 피크분산 특성정보라고 명명하여 사용한 지질 특성정보를 추출하였고 센서마다 추출된 결과를 분석하여 센서별로 분류가 가능한 지질을 확인 하였다. 또한 제안한 알고리즘을 검증하기 위해 기존의 연구에서 지질 특성정보로 사용하는 고속 퓨리에 변환 특성정보와 피크분산 특성정보를 신경망 알고리즘을 통해 학습시켜 각각의 분류 성능을 비교하여 기존의 방법과 비슷한 성능을 보임을 확인하였다.
- 실외주행을 목적으로 하는 이동 로봇의 지질인식 방법 중 접촉식 센서 정보를 활용한 지질 분류에 관한 연구 결과를 소개하였다. 접촉식 센서를 갖춘 이동 로봇을 제작하여 실험지질로 선정된 네 개의 지질에서 접촉식 센서 데이터를 수집하였고, 이 데이터로 지질의 물리적 특성을 고려한 분석을 수행하여 센서 정보에서 지질 특성정보를 추출하는 알고리즘을 제안하였다.
- 는 분류 오류율을 나타낸다. 지질 특성정보의 추출은 로봇이 주행을 하며 실시간으로 이루어 지는 부분이기 때문에 연산시간을 분류 효율성을 판단하는 평가지수에 사용하였으며, 분류 오류율도 같이 고려를 하여 평가지수를 정의 하였다. 식(5)의 Eefficiency 값이 크면 분류 효율성이 더 큰 것으로 볼 수 있다.
- 센서로 얻은 데이터를 고속 퓨리에 변환 정보로 변환하면 특정 구간의 주파수 성분이 지질마다 다르게 나타나는 특성을 보이게 되는데 이 구간에서 10개의 데이터를 추출하여 지질 특성정보로 활용하였다. 지질마다 추출한 고속 퓨리에 변환 특성정보는 분류 검증을 위해 역전파 알고리즘의 구성은 10노드의 입력층, 30노드의 은닉층, 4노드의 출력층으로 설정하였으며, 학습율은 0.01, 반복횟수는 5000회로 설정하였다. 한 세트가 10개로 구성된 지질 특성정보 600세트를 추출하여 400세트는 학습 데이터로, 200세트는 지질 분류 검증 데이터로 사용하여 Fig.
- 외부 플랫폼은 알루미늄 재질로 가로 24cm, 세로 37cm 의 크기를 가지며 에어 충전식 바퀴 4개로 구성된다. 내부 시스템 구성은 임베디드 보드를 중심으로 관성측정장치(IMU)와 2개의 모터 제어기, 4개의 엔코더 모터 등으로 이루어져 있으며, 센서 모듈과 메인보드 사이의 통신은 RS232 통신 방식을 사용 하였고 제어 컴퓨터와 로봇 사이의 통신은 무선랜 방식으로 이루어 지도록 구성하였다.
- 흙 지질 데이터는 자갈과 모래 지질 데이터의 중간 정도의 특성을 보이게 되는데, 흙 지질은 크기가 작은 자갈과 모래가 섞인 지질이기 때문에 이러한 물리적 특성을 보이는 것으로 분석하였다. Fig.
대상 데이터
- 연립부등식(1)을 만족하는 센서 데이터 Xk를 위쪽 피크점 데이터로 사용하였고 연립부등식(2)를 만족하는 센서 데이터 Xk를 아래쪽 피크점으로 사용하였다.
- 접촉식 센서 데이터는 설계한 소형로봇으로 선정한 네 곳의 실험지질을 0.65m/s의 속도로 직선주행을 하도록 제약조건을 주고 실험하여 수집하였다. 소형로봇의 주행 속도는 Table 1과 같이 바퀴 크기를 기준으로 국방연구소에서 개발한 야지 자율주행을 목적으로 하는 견마로봇과의 스케일 비교를 통해서 타당성을 확인 하였다.
- 지질 특성 데이터로 사용되는 센서 데이터로는 관성측정장치(IMU)로 측정되는 3축 방향의 가속도, 롤율(roll rate)/피치율(pitch rate)/요율(yaw rate), X축과 Y 축의 기울기 정보가 있고 모터 제어기를 통행 로봇이 주행 중에 사용하는 모터 전류를 수집하게 된다. 모터전류는 이동 로봇의 추진력과 관련된 파라미터이므로 지질마다 데이터의 특성이 다를 것으로 판단하여 접촉 정보에 포함하여 연구를 진행하였다.
- 피크분산 특성정보를 학습하고 분류 성능을 검증하기 위한 역전파 알고리즘의 구성은 2노드의 입력층, 10노드의 은닉층, 4노드의 출력층으로 설정하였으며, 학습율은 0.01, 반복횟수는 5000회로 하였다. 학습에 사용되는 데이터는 한 세트가 위쪽 피크분산과 아래쪽 피크분산 값으로 2개인 피크분산 특성정보를 600 세트를 추출하여 400세트는 학습 데이터로 200세트는 지질 분류 검증 데이터로 사용하여 Fig.
- 01, 반복횟수는 5000회로 하였다. 학습에 사용되는 데이터는 한 세트가 위쪽 피크분산과 아래쪽 피크분산 값으로 2개인 피크분산 특성정보를 600 세트를 추출하여 400세트는 학습 데이터로 200세트는 지질 분류 검증 데이터로 사용하여 Fig. 10과 같은 결과를 얻게 되었다. 요율 데이터를 이용한 지질 분류결과는 모든 지질의 분류율이 평균 95% 이상으로 고속 퓨리에 변환 특성정보를 이용한 분류 결과와 비슷한 분류 성능의 결과를 얻었고 나머지 두 센서 데이터의 전체 적인 분류율은 낮게 나타났다.
- 01, 반복횟수는 5000회로 설정하였다. 한 세트가 10개로 구성된 지질 특성정보 600세트를 추출하여 400세트는 학습 데이터로, 200세트는 지질 분류 검증 데이터로 사용하여 Fig. 9와 같은 실험 결과를 얻었다.
이론/모형
- 고속 퓨리에 변환 특성정보를 이용하여 지질 분류 실험은 Debangshu Sadhukan[12] 이 제안하였던 방법을 사용하였다. 센서로 얻은 데이터를 고속 퓨리에 변환 정보로 변환하면 특정 구간의 주파수 성분이 지질마다 다르게 나타나는 특성을 보이게 되는데 이 구간에서 10개의 데이터를 추출하여 지질 특성정보로 활용하였다.
- 본 4장에서는 제안한 방법과 기존의 방법의 성능비교를 위해 기존의 지질분류 연구에서 지질 특성정보로 활용하는 고속 퓨리에 변환 특성정보와 피크분산 특성 정보를 신경망을 통해 학습하여 지질을 분류하고, 두 방법의 성능을 비교한 내용을 소개한다. 사용된 신경망은 역전파 알고리즘으로 입력층‐은닉층‐출력층의 역방향 다층퍼셉트론 네트워크 구성을 갖는다.
성능/효과
- 같은 지질에서 수십 회의 반복 실험을 통해 피크분산을 이용해 추출한 지질 특성정보 데이터가 센서별로 특정 지질이 반복되는 특성을 보임을 확인하였다. 이러한 반복되는 특성을 보이기 위해 Fig.
- 고속 퓨리에 변환 특성정보를 이용한 모터전류 데이터를 이용한 분류결과는 흙 지질을 제외한 지질은 평균 85% 정도의 분류율을 보였으며, Z축 가속도 데이터는 모래와 흙 지질이 높은 분류율을 보였다. 요율 데이터는 평균 97% 정도의 높은 분류율을 보였으며, 이 결과는 앞의 3.
- 반면에 자갈과 흙 지질의 피크분산의 분포와 유동성은 크게 나타났다. 고정적인 특성을 보이는 아스팔트와 흙 지질은 모터 전류 정보를 이용해 추출한 지질 특성정보로 지질 분류가 가능함을 알 수 있다.
- 이 방법을 통해 피크분산 특성정보라고 명명하여 사용한 지질 특성정보를 추출하였고 센서마다 추출된 결과를 분석하여 센서별로 분류가 가능한 지질을 확인 하였다. 또한 제안한 알고리즘을 검증하기 위해 기존의 연구에서 지질 특성정보로 사용하는 고속 퓨리에 변환 특성정보와 피크분산 특성정보를 신경망 알고리즘을 통해 학습시켜 각각의 분류 성능을 비교하여 기존의 방법과 비슷한 성능을 보임을 확인하였다. 하지만 두 방법의 지질 특성정보 추출 연산시간이 다르기 때문에 연산시간과 분류 오류율을 고려한 분류 효율성을 기준으로 두 방법을 비교한 결과 제안한 방법이 더 우수함을 확인하였다.
- 소형로봇의 주행 속도는 Table 1과 같이 바퀴 크기를 기준으로 국방연구소에서 개발한 야지 자율주행을 목적으로 하는 견마로봇과의 스케일 비교를 통해서 타당성을 확인 하였다. 바퀴의 크기를 기준으로 실험용 소형로봇의 최대주행속도는 1.23m/s 이므로 실험에 사용한 주행속도인 0.65m/s는 최대주행속도의 반 정도에 해당하는 속도이므로 실험에 유효한 속도로 판단하였다.
- 본 논문의 결과물은 피크 값의 분산을 계산하기 위한 구간 n을 50샘플로 선정하였으며, 구간의 크기를 변화시켜 실험한 결과로 구간의 길이가 길수록 추출된 지질그룹의 구분이 명확해 짐을 확인하였다.
- 수집한 지질별 센서 데이터를 X축은 샘플 개수로, Y축은 센서 출력 값의 보정 전 원시 데이터로 하여 그래프를 출력하면 Fig. 3.과 Fig. 4와 같이 나타나며, 데이터는 지질마다 다른 특성을 가짐을 육안으로도 쉽게 확인이 가능함을 알 수 있다.
- 따라서 고속 퓨리에 변환 특성정보와 피크분산 특성정보를 추출하는 연산시간을 아래 Table 2과 같이 비교하였다. 연산시간을 보면 피크분산을 이용한 지질 특성 추출의 연산시간이 약 두 배정도 빠른 것을 확인하였다.
- 고속 퓨리에 변환 특성정보를 이용한 모터전류 데이터를 이용한 분류결과는 흙 지질을 제외한 지질은 평균 85% 정도의 분류율을 보였으며, Z축 가속도 데이터는 모래와 흙 지질이 높은 분류율을 보였다. 요율 데이터는 평균 97% 정도의 높은 분류율을 보였으며, 이 결과는 앞의 3.2절의 내용에서 지질 특성을 가장 많이 포함하고 있는 것으로 분석한 내용과 일치하는 결과임을 알 수 있다.
- 10과 같은 결과를 얻게 되었다. 요율 데이터를 이용한 지질 분류결과는 모든 지질의 분류율이 평균 95% 이상으로 고속 퓨리에 변환 특성정보를 이용한 분류 결과와 비슷한 분류 성능의 결과를 얻었고 나머지 두 센서 데이터의 전체 적인 분류율은 낮게 나타났다. 하지만 모터전류 데이터를 이용한 분류결과에서 아스팔트와 모래 지질과, Z축가속도 데이터를 이용한 분류결과에서 자갈 지질은 분류율이 높게 나타났다.
- 8은 요율 정보를 이용한 지질 특성 추출 결과로 자갈 지질만 피크분산 분포와 유동성이 조금 나타나고 나머지 세 지질은 분포와 유동성이 작게 나타났다. 이 결과를 통해 요율 정보가 다른 센서들 보다 지질 특성정보를 많이 포함하고 있음을 알 수 있다.
- 요율 데이터를 이용한 지질 분류율은 두 가지 방법 모두 비슷하지만 지질 특성정보를 추출하는 방법이 다르고, 또한 추출되는 정보의 양이 다르기 때문에 Table 2의 결과와 같이 연산시간에서 차이가 나게 된다. 이러한 두 방법의 성능 차이로 인해본 논문에서 제안한 방법의 분류 효율성이 더 높게 나타나는 결과를 얻게 되었다.
- 이러한 특성을 갖는 센서 데이터에서 지질 특성을 추출하기 위해 지질별 센서 데이터를 분석한 결과, 지질마다 데이터의 위쪽 피크점과 아래쪽 피크점의 주기, 진폭 등의 패턴이 다르게 나타나게 됨을 확인하였고, 이러한 현상은 지면의 물리적 특성이 반영되었기 때문에 발생하는 것으로 분석하였다.
- 또한 제안한 알고리즘을 검증하기 위해 기존의 연구에서 지질 특성정보로 사용하는 고속 퓨리에 변환 특성정보와 피크분산 특성정보를 신경망 알고리즘을 통해 학습시켜 각각의 분류 성능을 비교하여 기존의 방법과 비슷한 성능을 보임을 확인하였다. 하지만 두 방법의 지질 특성정보 추출 연산시간이 다르기 때문에 연산시간과 분류 오류율을 고려한 분류 효율성을 기준으로 두 방법을 비교한 결과 제안한 방법이 더 우수함을 확인하였다.
- 요율 데이터를 이용한 지질 분류결과는 모든 지질의 분류율이 평균 95% 이상으로 고속 퓨리에 변환 특성정보를 이용한 분류 결과와 비슷한 분류 성능의 결과를 얻었고 나머지 두 센서 데이터의 전체 적인 분류율은 낮게 나타났다. 하지만 모터전류 데이터를 이용한 분류결과에서 아스팔트와 모래 지질과, Z축가속도 데이터를 이용한 분류결과에서 자갈 지질은 분류율이 높게 나타났다. 이렇게 센서마다 지질을 구분할수 있는 특성이 다르기 때문에 이러한 특성을 조합해서 지질을 분류한다면, 고속 퓨리에 변환 특성정보를 이용한 분류 성능과 대등한 결과를 얻을 수 있을 것으로 분석하였다.
- 기존의 주파수 변환을 이용해 지질 특성정보를 추출하는 방법에 비해서 적은 양의 센서 데이터를 필요로 하고 추출된 지질 특성 데이터의 개수 또한 적다. 하지만 지질 분류율은 비슷한 성능을 보이지만 좀 더 빠르게 지질 특성 데이터를 추출하게 되므로 실시간성을 고려할 경우에는 제안하는 방법이 더 우수한 성능을 보인다.
후속연구
- 하지만 모터전류 데이터를 이용한 분류결과에서 아스팔트와 모래 지질과, Z축가속도 데이터를 이용한 분류결과에서 자갈 지질은 분류율이 높게 나타났다. 이렇게 센서마다 지질을 구분할수 있는 특성이 다르기 때문에 이러한 특성을 조합해서 지질을 분류한다면, 고속 퓨리에 변환 특성정보를 이용한 분류 성능과 대등한 결과를 얻을 수 있을 것으로 분석하였다.
- 향후 연구 방향으로는 제안한 지질 특성 추출 방법을 속도가 변하는 조건에서의 지질 분류 연구에 적용할 것이며, 본 논문에서 실험지질로 선정한 네 지질이 적절히 혼합된 지질을 분류하는 방법에 대하여 연구할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.