[논문]수중로봇 위치추정을 위한 베이시안 필터 방법의 실현과 거리 측정 특성 분석

노성우; 고낙용; 김태균

doi:10.7746/jkros.2014.9.1.028

수중로봇 위치추정을 위한 베이시안 필터 방법의 실현과 거리 측정 특성 분석
Implementation of Bayesian Filter Method and Range Measurement Analysis for Underwater Robot Localization 원문보기

로봇학회논문지 = The journal of Korea Robotics Society, v.9 no.1, 2014년, pp.28 - 38

노성우 (Information and Communication Engineering, Chosun University) , 고낙용 (Dept. Control, Instrumentation and Robot Engineering, Chosun University) , 김태균 (Ocean System Engineering Research Division, KIOST)

Abstract ▼ AI-Helper

This paper verifies the performance of Extended Kalman Filter(EKF) and MCL(Monte Carlo Localization) approach to localization of an underwater vehicle through experiments. Especially, the experiments use acoustic range sensor whose measurement accuracy and uncertainty is not yet proved. Along with localization, the experiment also discloses the uncertainty features of the range measurement such as bias and variance. The proposed localization method rejects outlier range data and the experiment shows that outlier rejection improves localization performance. It is as expected that the proposed method doesn't yield as precise location as those methods which use high priced DVL(Doppler Velocity Log), IMU(Inertial Measurement Unit), and high accuracy range sensors. However, it is noticeable that the proposed method can achieve the accuracy which is affordable for correction of accumulated dead reckoning error, even though it uses only range data of low reliability and accuracy.

주제어

AI 본문요약
AI-Helper

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

문제 정의

특히 음향 비이컨에 의한 거리 측정 값은 증명되지 않는 불확실성과 비정상 오차를 포함하고 있다. 따라서 본 논문에서는 원시 데이터 값을 사용하는 경우와 측정된 거리 값이 비정상이라고 판단되는 경우 비정상 데이터 제거를 통한 위치 추정 결과를 비교하였다^[8]. 또한, 수중 로봇의 위치추정 성능 향상을 위해 실험을 통해 획득한 거리 측정 데이터를 분석하여 센서의 측정 오차를 분석하였다.
본 논문은 수중 로봇 위치추정에 EKF와 MCL 알고리즘을 적용한 예를 보이고 성능을 분석하였다. 고가의 정밀 센서인 DVL, IMU, LBL, SBL, USBL을 사용하지 않고, 정확도가 높지 않은 음향 거리 센서 정보, 그리고 자기수용성 정보인 추진기 회전 속도, 러더 각, 엘리베이터 각 만을 사용하여도 MCL 이나 EKF 에 의해 로봇의 위치를 추정하는 것이 가능함을 보였다.

가설 설정

EKF는 수중 로봇 운동의 경우와 같이 상태 천이와 측정모델 함수가 비선형인 경우 선형화를 통하여 상태를 추정한다. 또한 상태 천이와 측정 오차가 가우시안 분포를 가지는 경우를 가정한다. 따라서 수중 로봇에서의 경우와 같이 상태 천이와 측정이 비선형성을 가지며, 오차에 비 가우시안 특성이 강한 경우 위치 추정 성능이 저하될 수 있다^[6].
즉, #거리의 예상 값(Expected value)이다. 측정된 거리 오차가 정상 분포를 가지는 것으로 가정하여 측정값과 예상 값의 차이가 일정한 범위이내이면 정상적인 거리 데이터로 판정한다.

제안 방법

본 절은 위치추정 실험을 통해 획득한 거리 데이터의 거리 오차를 분석한다. 거리 오차의 분석을 통해 음향 거리 센서의 오차 정도를 구하였다. 그림 11은 4개의 비이컨 음향 거리 센서에 대하여 각각 425개의 실제 측정된 거리 값을 정상 데이터와 비교하여 나타내었다.
본 실험에서 사용한 로봇의 자기수용성(Proprioceptive) 정보는 추진기 회전 속도, 러더 각, 엘리베이터 각 정보이다. 또한 로봇에 장착된 음향 송신기로부터 4개의 비이컨에 장착된 음향 수신기까지의 거리를 외부 수용성(Exteroceptive) 센서 측정 정보로 그림 5에 나타난 16kHz 출력 특성을 가진 음향 신호 송신 센서를 사용하였다. 음향 거리 센서는 레드원테크놀러지(주)에서 개발된 시작품으로서 아직 거리 출력 값에 대한 불확실성 특성이 구해지지 않는 단계여서 본 연구에서 불확실성 특성을 추정하였다.
고가의 정밀 센서인 DVL, IMU, LBL, SBL, USBL을 사용하지 않고, 정확도가 높지 않은 음향 거리 센서 정보, 그리고 자기수용성 정보인 추진기 회전 속도, 러더 각, 엘리베이터 각 만을 사용하여도 MCL 이나 EKF 에 의해 로봇의 위치를 추정하는 것이 가능함을 보였다. 또한 실험을 통하여 거리 정보를 구하는데 사용한 음향 거리 센서의 오차 특성을 분석하였다. 구해진 거리 오차 특성 정보를 바탕으로 비정상 측정 데이터를 검출하고 이를 위치 추정 알고리즘에서 사용하지 않도록하여 추정 성능을 향상시킬 수 있음을 보였다.
따라서 본 논문에서는 원시 데이터 값을 사용하는 경우와 측정된 거리 값이 비정상이라고 판단되는 경우 비정상 데이터 제거를 통한 위치 추정 결과를 비교하였다^[8]. 또한, 수중 로봇의 위치추정 성능 향상을 위해 실험을 통해 획득한 거리 측정 데이터를 분석하여 센서의 측정 오차를 분석하였다.
본 실험에서는 4개의 수신기와 수중 로봇에 장착된 1개의 송신기를 이용하여 EKF, MCL에 의해 위치를 추정하였다. 그림 7 (a)는 창원 대학교 수조 실험동 실험환경이고 (b)는 거리 정보와 위치추정 모니터링의 예를 나타내었다.
본 연구에서도 일반적으로 알려진 바와 같이 MCL이 EKF 보다 위치 추정 성능은 우수한 것으로 나타났다. 본 연구에서는 자기 수용성 정보와 4 개의 거리 정보만을 사용하여 EKF와 MCL을 구현하였다.
본 절은 위치추정 실험을 통해 획득한 거리 데이터의 거리 오차를 분석한다. 거리 오차의 분석을 통해 음향 거리 센서의 오차 정도를 구하였다.
실험에서는 그림 3과 같이 4개의 비이컨에 음향 수신기를 설치하고 수중 로봇에는 음향 신호를 송신할 수 있는 송신기를 설치하였다. 수중 로봇에서 음향 신호를 송신하면 외부에 설치된 비이컨의 음향 수신기에서 TOA(Time Of Arrival)정보를 이용하여 EKF와 MCL에 사용하기 위한 거리 데이터를 계산한다.
수중 로봇은 자기수용성(Proprioceptive)정보인 추진기 회전 속도, 러더 각, 엘리베이터 각의 정보와 외부 수용성(Exteroceptive)센서 측정 정보인 음향 비이컨으로부터의 거리 정보를 이용하여 위치를 추정한다.
그림 11에서는 비정상 데이터를 제거하고 MCL에서 구해진 추정 위치로부터 비이컨까지의 거리를 정상(기준) 값으로 간주하였다. 실제 센서에 의해서 측정된 거리 값이 기준 값으로부터 얼마 만큼의 오차를 가지는지 분석하였다. 그림 11 (a)~(d)를 보면 기준 데이터 주변으로 센서 측정 거리 값이 분포되어 있지만 때때로 비정상 거리 데이터가 발생하는 현상을 볼 수 있다.
엘리베이터는 수중로봇 동작의 피치를 제어하며 러더는 요를 제어한다. 엘리베이터와 러더의 각도를 조합하여 롤 제어도 가능하나 본 연구에서는 롤 제어는 고려하지 않으므로 로봇의 Y축을 중심으로 회전하는 두 개의 엘리베이터를 항상 동일한 방향과 동일한 각도로 제어한다. 그림2는 로봇의 Y축 음의 방향으로 본 측면의 그림을 사용하여 엘리베이터 각 e_ang과 피치 각속도의 관계를 표현하였다.
4행은 예측된 파티클 위치에 대한 추정 신뢰도를 계산하는 과정이다. 여기에서는 음향 비이컨에서 측정된 거리 값과 해당 파티클에서 계산한 비이컨까지의 거리 값을 비교하여 신뢰도를 계산한다. 6~8행은 파티클에 대한 신뢰도를 기반으로 파티클들을 재선별하는 과정이다.
위치추정 실험은 총 4가지 형태의 주행 패턴으로 진행하였다. 다수의 시행 착오 실험을 통해 EKF와 MCL의 적용을 위한 매개변수를 표 4와 같이 설정하였다.
또한 로봇에 장착된 음향 송신기로부터 4개의 비이컨에 장착된 음향 수신기까지의 거리를 외부 수용성(Exteroceptive) 센서 측정 정보로 그림 5에 나타난 16kHz 출력 특성을 가진 음향 신호 송신 센서를 사용하였다. 음향 거리 센서는 레드원테크놀러지(주)에서 개발된 시작품으로서 아직 거리 출력 값에 대한 불확실성 특성이 구해지지 않는 단계여서 본 연구에서 불확실성 특성을 추정하였다. 그림 6은 사용된 센서의 송신전압감도(TVR) 특성을 나타낸다.
현재 수중 로봇 위치추정을 위해서는 GPS(Global Positioning System), DVL(Doppler Velocity Log), IMU(Inertial Measurement Unit), LBL(Long Base Line), SBL(Short Base Line), USBL(Ultra Short Base Line) 등의 고가의 센서 시스템들이 일반적으로 사용되고 있다. 하지만 본 연구에서는 이러한 고가의 센서 시스템들을 사용하지 않고 로봇의 추진기(Thruster) 회전 속도, 러더(Rudder) 각, 엘리베이터(Elevator) 각 정보와 음향 비이컨에 의한 거리 정보를 사용하여 EKF와 MCL 방법에 의해 수중 로봇 위치 추정을 구현한다. 특히 음향 비이컨에 의한 거리 측정 값은 증명되지 않는 불확실성과 비정상 오차를 포함하고 있다.

대상 데이터

본 논문은 그림 1과 같은 항주형(Cruising type) 수중 로봇을 대상으로 위치추정 방법을 실현한다.
본 실험에서 사용한 로봇의 자기수용성(Proprioceptive) 정보는 추진기 회전 속도, 러더 각, 엘리베이터 각 정보이다. 또한 로봇에 장착된 음향 송신기로부터 4개의 비이컨에 장착된 음향 수신기까지의 거리를 외부 수용성(Exteroceptive) 센서 측정 정보로 그림 5에 나타난 16kHz 출력 특성을 가진 음향 신호 송신 센서를 사용하였다.
EKF_SOR, MCL_SOR은 측정된 거리 값이 비정상이라고 판단될 때 비정상 데이터를 제거한 후 EKF와 MCL을 적용한 경우의 위치추정 궤적이다. 비정상 데이터는 센서에서 측정된 거리 값과 추정된 로봇 위치에서 계산된 거리 값의 차이가 주어진 임계값(threshold)을 벗어난 데이터로서, 식 (15)의 조건에 해당되는 경우 비정상 데이터로 판정하였다. 식 (15)의 z_bi는 i번째 비이컨에서 측정된 거리 값이고 #는 추정된 로봇 위치에서 계산된 i번째 비이컨까지의 거리 값이다.

데이터처리

또한 확률기반 카이제곱 테스트(Chi-square test)를 이용하여 비정상 데이터를 제거하여 위치추정을 실험하였다. 카이 제곱 테스트는 데이터 사이의 연관 정도를 판단하기 위한 방법이어서, 측정된 거리 정보가 어느 정도 정상적인 값으로 간주될 수 있는지 판단할 수 있는 근거를 제시해줄 수 있다.

이론/모형

본 논문에서 로봇의 위치, 방향, 속도 등은 SNAME(Society of Naval Architects and Marine Engineers)에서 정한 표준 표기법에 따라 표시한다^[9]. 로봇의 속도 정보(u, v, w, p, q, r)중 u 가속도는 식 (1)과 같이 나타낼 수 있다.
본 논문에서의 위치추정 방법은 베이시안 필터의 하나인 확장 칼만 필터 방법이다^[10]. 이 방법은 수중 로봇의 위치를 예측하는 단계와 예측된 수중 로봇의 위치를 평가하고 갱신하는 단계로 구성된다.

성능/효과

본 논문은 수중 로봇 위치추정에 EKF와 MCL 알고리즘을 적용한 예를 보이고 성능을 분석하였다. 고가의 정밀 센서인 DVL, IMU, LBL, SBL, USBL을 사용하지 않고, 정확도가 높지 않은 음향 거리 센서 정보, 그리고 자기수용성 정보인 추진기 회전 속도, 러더 각, 엘리베이터 각 만을 사용하여도 MCL 이나 EKF 에 의해 로봇의 위치를 추정하는 것이 가능함을 보였다. 또한 실험을 통하여 거리 정보를 구하는데 사용한 음향 거리 센서의 오차 특성을 분석하였다.
또한 실험을 통하여 거리 정보를 구하는데 사용한 음향 거리 센서의 오차 특성을 분석하였다. 구해진 거리 오차 특성 정보를 바탕으로 비정상 측정 데이터를 검출하고 이를 위치 추정 알고리즘에서 사용하지 않도록하여 추정 성능을 향상시킬 수 있음을 보였다. 본 연구에서도 일반적으로 알려진 바와 같이 MCL이 EKF 보다 위치 추정 성능은 우수한 것으로 나타났다.
그림 8의 4개의 주행 모드에서 원시 음향 거리 데이터를 사용한 EKF, MCL 방법은 이동궤적이 정상 궤적으로부터 벗어나는 현상이 발생하였다. 그러나 EKF_SOR, MCL_SOR의 경우와 EKF_COR, MCL_COR 에서는 비정상 거리 측정 데이터의 영향이 줄어들어 추정된 궤적이 EKF, MCL 방법보다 유연하고, 실제 로봇 궤적을 더 잘 따라감을 실험에서 관찰할 수 있었다. 그림 9는 주행 테스트 그림 8 (a)의 사각형 점선 구역을 확대한 그림이다.
본 연구에서는 C=3.84로 하여 오차의 제곱이 분산 값의 3.84배 이내이면 정상적인 거리 값으로 판정하였다. 이 경우, α=0.
구해진 거리 오차 특성 정보를 바탕으로 비정상 측정 데이터를 검출하고 이를 위치 추정 알고리즘에서 사용하지 않도록하여 추정 성능을 향상시킬 수 있음을 보였다. 본 연구에서도 일반적으로 알려진 바와 같이 MCL이 EKF 보다 위치 추정 성능은 우수한 것으로 나타났다. 본 연구에서는 자기 수용성 정보와 4 개의 거리 정보만을 사용하여 EKF와 MCL을 구현하였다.

후속연구

향후계획은 AHRS(Attitude and heading reference system, 자세 방위 장치) 등 좀 더 다양한 센서와 수중 영상 분석을 통한 특징점 정보 등을 추가하여 사용한다면 위치 추정 성능을 더욱 향상시킬 수 있을 것으로 기대된다. 또한 실제 수중 로봇의 정확한 위치를 알 수 있는 방법을 고안하여 위치추정 방법의 성능 분석을 정확히 할 수 있도록 실험할 예정이다.
향후계획은 AHRS(Attitude and heading reference system, 자세 방위 장치) 등 좀 더 다양한 센서와 수중 영상 분석을 통한 특징점 정보 등을 추가하여 사용한다면 위치 추정 성능을 더욱 향상시킬 수 있을 것으로 기대된다. 또한 실제 수중 로봇의 정확한 위치를 알 수 있는 방법을 고안하여 위치추정 방법의 성능 분석을 정확히 할 수 있도록 실험할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	수중 로봇은 어떤 용도로 사용되는가?	수중 로봇은 심해 자원 조사, 수중 구조물 건설, 수산업, 군사적 용도 등으로 사용되어지고 있다[1]. 이를 위해 수중 로봇의 경로 계획, 장애물 회피 기술, 위치추정 기술, 지도 작성 기술 등과 같은 로봇의 자율 주행 기술이 요구된다[2].
	파티클 필터를 이용한 위치 추정 또는 MCL 방법은 다수의 파티클을 이용하여 로봇의 확률적 위치 분포를 나타내며, 상태 천이와 측정에서 비선형 모델 함수를 그대로 이용함에 따라 어떤 문제점을 가지는가?	파티클 필터를 이용한 위치 추정 또는 MCL 방법은 다수의 파티클을 이용하여 로봇의 확률적 위치 분포를 나타내며, 상태 천이와 측정에서 비선형 모델 함수를 그대로 이용한다. 따라서 비가우시안 오차 요소가 많고, 비선형성이 큰 수중 로봇의 경우에도 일반적으로 우수한 위치 추정 성능을 보인다. 그러나 추정해야할 변수가 많아지면 계산량이 많아져서 실시간 적용에 부적합해지는 문제점이 있다[7].
	로봇의 자율 주행 기술에는 어떤 것들이 있는가?	수중 로봇은 심해 자원 조사, 수중 구조물 건설, 수산업, 군사적 용도 등으로 사용되어지고 있다[1]. 이를 위해 수중 로봇의 경로 계획, 장애물 회피 기술, 위치추정 기술, 지도 작성 기술 등과 같은 로봇의 자율 주행 기술이 요구된다[2]. 특히 위치추정 기술은 다른 요소 기술들을 실현하기 위해 필수적으로 요구되는 기술이다.

참고문헌 (15)

S. B Williams, et al., "Monitoring of Benthic Reference Sites Using an Autonomous Underwater Vehicle", IEEE Robotics & Automation Magazine, Vol. 19, No. 1, pp.73-84, Mar. 2012.

상세보기
J. Borenstein, B. Everett, and L. Feng, Navigating Mobile Robots: Sensors and Techniques, AK Peters. 1996.
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 Trans. on Automatic Control, Vol.45, No.3, pp.477-482, March 2000.

상세보기
R. van der Merwe, "Sigma-point Kalman Filters for Probabilistic Inference in Dynamic State-Space Models", Ph.D. thesis, Oregon Health & Science University, April 2004.
N. Gordon, D. Salmond, and A. Smith, "Novel Approach to Nonlinear/Non-Gaussian Bayesian State Estimation", IEEE Proc. Radar and Signal Processing, Vol.140, No.2, pp.107-113, 1993.

상세보기
D. H. Lee, Y. M. Yang, and K. M. Huh, "Position Estimation of MBK system for non-Gaussian Underwater Sensor Networks", Journal of The Institute of Electronics Engineers of Korea, Vol.50, No.1, pp.232-238, 2013.

원문보기 상세보기
D. H. Kim, "Rao-Blackwellized Multiple Model Particle Filter Data Fusion algorithm", The Journal of Korea Navigation Institute, Vol.15, No.4, pp.556-561, 2011.
M. J. Black, A. Rangarajan, "On the unification of line processes, outlier rejection, and robust statistics with applications in early vision", International Journal of Computer Vision, Vol.19, No.1, pp.57-91, 1996.

상세보기
Society of Naval Architects and Marine Engineers, "Nomenclature for Treating the Motion of a Submerged Body through Fluid", SNAME Technical and Research Bulletin, No.1-5, April, 1952.
V. Fox, J. Hightower, L. Lin, D. Schulz, and G.Borriello, "Bayesian Filtering for Location Estimation", IEEE Pervasive Computing, Vol.2, No.3, pp.24-33. 2003.

상세보기
S. Thrun, W. Burgard, and D. Fox, "Probabilistic Robotics", MIT Press, 2005.
T. G. Kim, N. Y. Ko, S. W. Noh, and Y. P. Lee, "Localization on an Underwater Robot Using Monte Carlo Localization Algorithm", The Journal of the Korean institute of electronic communication sciences, Vol.6, No.2, pp.288-295, 2011.
C. W. Kang, Y. M. Yoo, and C. G. Park, "Performance Improvement of Attitude Estimation Using Modified Euler Angle Based Kalman Filter", Journal of Institute of Control, Robotics and Systems, Vol.14, No.9, pp.1-5, 2008.

원문보기 상세보기
T. G. Kim, "Localization Method for Navigation of an Underwater Robot", Ph. D. diss., Chosun University, 2013.
T. G. Kim, N. Y. Ko, and S. W. Noh, "Simultaneous Estimation of Landmark Location and Robot Pose Using Particle Filter Method", International Journal of Fuzzy Logic and Intelligent Systems, Vol.22, No.3, pp.353-360, 2012.

저자의 다른 논문 :

LOADING...

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