이동로봇의 주행에는 주로 바퀴 엔코더, 비전, 초음파, 레이저 센서가 많이 사용된다. 바퀴의 엔코더는 추측항법으로 시간에 따라 오차가 누적되기 때문에 단독 사용으로는 정확한 로봇의 위치를 계산할 수가 없다. 비전 센서는 풍부한 정보를 제공하지만 정보추출에 시간이 많이 소요되고, 초음파 센서는 거리정보의 정확도가 떨어지기 때문에 항행에 사용하기에는 어려움이 있다. 반면 레이저 센서는 비교적 정확한 거리정보를 제공하여 주므로 주행 센서로 사용하기 적합하다. 본 논문에서는 레이저 거리계에서 각도를 추출하는 방법을 제안하고 칼만 필터를 사용하여 레이저 거리계에서 추출한 거리 및 각도와 바퀴 엔코더에서 추출한 거리 및 각도에 대한 정합을 수행한다. 일반적으로 레이저 거리계 사용시 특징점 하나를 사용한 경우에 그 특징점이 변하거나 새로운 특징점으로 이동할 때 오차가 커질 수가 있다. 이를 보완하기 위해 이동 로봇의 주행 시 레이저 스캐너에서 두 개의 특징점들을 사용하는 방법을 사용하여 이동 로봇의 항법 성능이 향상됨을 보인다.
이동로봇의 주행에는 주로 바퀴 엔코더, 비전, 초음파, 레이저 센서가 많이 사용된다. 바퀴의 엔코더는 추측항법으로 시간에 따라 오차가 누적되기 때문에 단독 사용으로는 정확한 로봇의 위치를 계산할 수가 없다. 비전 센서는 풍부한 정보를 제공하지만 정보추출에 시간이 많이 소요되고, 초음파 센서는 거리정보의 정확도가 떨어지기 때문에 항행에 사용하기에는 어려움이 있다. 반면 레이저 센서는 비교적 정확한 거리정보를 제공하여 주므로 주행 센서로 사용하기 적합하다. 본 논문에서는 레이저 거리계에서 각도를 추출하는 방법을 제안하고 칼만 필터를 사용하여 레이저 거리계에서 추출한 거리 및 각도와 바퀴 엔코더에서 추출한 거리 및 각도에 대한 정합을 수행한다. 일반적으로 레이저 거리계 사용시 특징점 하나를 사용한 경우에 그 특징점이 변하거나 새로운 특징점으로 이동할 때 오차가 커질 수가 있다. 이를 보완하기 위해 이동 로봇의 주행 시 레이저 스캐너에서 두 개의 특징점들을 사용하는 방법을 사용하여 이동 로봇의 항법 성능이 향상됨을 보인다.
Mobile robots use various sensors for navigation such as wheel encoder, vision sensor, sonar, and laser sensors. Dead reckoning is used with wheel encoder, resulting in the accumulation of positioning errors. For that reason wheel encoder can not be used alone. Too much information of vision sensors...
Mobile robots use various sensors for navigation such as wheel encoder, vision sensor, sonar, and laser sensors. Dead reckoning is used with wheel encoder, resulting in the accumulation of positioning errors. For that reason wheel encoder can not be used alone. Too much information of vision sensors leads to an increase in the number of features and complexity of perception scheme. Also Sonar sensor is not suitable for positioning because of its poor accuracy. On the other hand, laser sensor provides accurate distance information relatively. In this paper we propose to extract the angular information from the distance information of laser range finder and use the Kalman filter that match the heading and distance of the laser range finder and those of wheel encoder. For laser scanner with one feature point error may increase much when the feature point is variant or jumping to a new feature point. To solve the problem, we propose to use two feature points and show that the positioning error can be reduced much.
Mobile robots use various sensors for navigation such as wheel encoder, vision sensor, sonar, and laser sensors. Dead reckoning is used with wheel encoder, resulting in the accumulation of positioning errors. For that reason wheel encoder can not be used alone. Too much information of vision sensors leads to an increase in the number of features and complexity of perception scheme. Also Sonar sensor is not suitable for positioning because of its poor accuracy. On the other hand, laser sensor provides accurate distance information relatively. In this paper we propose to extract the angular information from the distance information of laser range finder and use the Kalman filter that match the heading and distance of the laser range finder and those of wheel encoder. For laser scanner with one feature point error may increase much when the feature point is variant or jumping to a new feature point. To solve the problem, we propose to use two feature points and show that the positioning error can be reduced much.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
실내 환경에서 특징점 하나를 이용하여 로봇의 위치를 계산할 때 특징점이 잡음 등의 영향 등으로 좋지 않거나 레이저 측정치에서 사라질 때 심각한 오류를 발생할 수 있다. 본 논문에서는 두 개의 특징점을 사용한 알고리듬을 제시하여 이동로봇의 항법성능을 개선하고자 한다. 다음은 두 개의 특징점을 사용하는 레이저 거리계 알고리듬이다.
본 논문에서는 한 개의 특징점을 사용할 때 발생하는 오차를 보완하기 위해 두 개의 특징점을 이용하는 알고리듬을 제안한다. 또 레이저 스캐너로부터 각도를 추출하여 바퀴 엔코더로부터 나오는 거리, 각도와 정합을 하여 칼만필터를 구현하였다.
제안 방법
레이저 스캐너를 사용한 로봇의 항법을 위해서는 우선선분의 끝, 코너, 장애물과 같은 특징점을 찾아낸다. 두 개의 특징점을 검출한 후 각각의 특징점을 이용하여 로봇의 좌표를 계산한다. 만약 특징점이 범위를 벗어나거나, 변하게 되면 다른 특징점을 검출하여 계산해 간다.
본 논문에서는 한 개의 특징점을 사용할 때 발생하는 오차를 보완하기 위해 두 개의 특징점을 이용하는 알고리듬을 제안한다. 또 레이저 스캐너로부터 각도를 추출하여 바퀴 엔코더로부터 나오는 거리, 각도와 정합을 하여 칼만필터를 구현하였다. 시뮬레이션과 실시험을 통해서 제안하는 방법이 위치정확도를 향상시킴을 보였다.
2장에서는 이동로봇의 운동모델 및 측정식을 제시하고 3장에서는 레이저 스캐너를 사용한 이동로봇 항법 알고리듬을 기술한다. 또 본 논문에서 제안하는 레이저 스캐너 측정치에서 2개의 특징점을 사용하는 알고리듬을 제시한다. 4장에서는 시뮬레이션과 실시험을 통해서 제안하는 방법이 로봇의 위치 정확도를 향상시키고 있음을 보이고 5장에서 결론을 맺는다.
실제 실험에서는 바퀴 미끄러짐, 바닥과의 마찰, 로봇 위치 측정에 따른 오차가 발생하므로 시뮬레이션과 실제 실험을 각각 수행하여 두 개의 특징점을 이용하였을 때의 성능을 비교하고 분석해 본다.
그러나 레이저 스캔 영역 내에 특징점이 측정되지 않는 경우에는 데이터 연합(association)이 되지 않아 특징점의 위치각에 따른 좌표 변환 시 큰 오차가 발생하는 문제점이 있다. 이를 보완하기 위해서 특징점을 2개 사용하는 알고리듬을 제안하였고 거리 정보로부터 각도를 추출하였다. 칼만필터를 사용하여 레이저 거리계에서 특징점까지의 거리와 각도를 바퀴 엔코더의 출력과 함께 매칭하여 로봇의 위치오차가 많이 감소되는 것을 시뮬레이션과 실시험을 통해서 확인하였다.
제안하는 두 개의 특징점을 이용한 이동 로봇의 항법으로 feature tracking을 통하여 레이저 데이터에서 로봇의 이동경로를 추출하였다. 특징점의 오류를 검사하여 오류가 발생 시 또 다른 특징점을 선택적으로 계산해 나간다.
이를 보완하기 위해서 특징점을 2개 사용하는 알고리듬을 제안하였고 거리 정보로부터 각도를 추출하였다. 칼만필터를 사용하여 레이저 거리계에서 특징점까지의 거리와 각도를 바퀴 엔코더의 출력과 함께 매칭하여 로봇의 위치오차가 많이 감소되는 것을 시뮬레이션과 실시험을 통해서 확인하였다.
Case 2. 특징점이 이동한 거리와 로봇의 이동 거리를 비교하여 오차범위를 벗어 날 때 새로운 특징점을 검출한다.
성능/효과
각각 경로 참값, 엔코더 계산값, 레이저 거리계 계산값, 그리고 EKF의 추정값을 나타낸다. 그리고 2개의 특징점을 이용하였을 때와 EKF 보정을 하였을 때의 오차를 비교하면 EKF 보정을 통해 성능을 개선할 수 있음을 볼 수 있다.
또 레이저 스캐너로부터 각도를 추출하여 바퀴 엔코더로부터 나오는 거리, 각도와 정합을 하여 칼만필터를 구현하였다. 시뮬레이션과 실시험을 통해서 제안하는 방법이 위치정확도를 향상시킴을 보였다.
각각 x축 y축 그리고 거리에 관하여 평균 제곱근 오차를 계산해 보면 표 1과 같다. 엔코더에서는 상대적으로 오차가 크게 발생 하였고, 하나의 특징점을 사용하는 것 보다 두 개를 사용하였을 때 오차를 줄일 수 있는 결과를 얻을 수 있었다.
특징점의 오류를 검사하여 오류가 발생 시 또 다른 특징점을 선택적으로 계산해 나간다. 하나의 특징점에서 오류가 발생 하였을 때 이를 검출하여 다른 하나의 특징점으로 계산해 나감으로써 오차를 줄일 수 있는 결과를 얻을 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
이동 로봇이란?
이동 로봇이란 자신의 힘으로 위치를 변화시킬 수 있는 로봇을 말한다. 이동 로봇은 항법을 수행하기 위해서 위치 인식 기술(localization)이 필수적이다.
이동 로봇은 항법을 수행하기 위해서 필수적인 기술은?
이동 로봇이란 자신의 힘으로 위치를 변화시킬 수 있는 로봇을 말한다. 이동 로봇은 항법을 수행하기 위해서 위치 인식 기술(localization)이 필수적이다. 위치 인식 기술을 위해서 엔코더, 카메라 그리고 레이저 등 다양한 센서들이 사용 되고 있다.
위치 인식 기법 중 추측항법이란?
위치 인식 기법에는 추측항법(dead reckoning), 스캔 매칭 (scan matching)[3] 그리고 Markov localization[4] 등이 있다. 추측 항법은 속력과 각도를 측정하여 적분함으로써 위치를 계산하는 방법이다. 이동 로봇의 두 바퀴의 이동량만으로 로봇의 위치를 계산하는 경우에는 바퀴의 미끄러짐이 없고 바퀴의 크기와 회전각 등을 정확히 알고 있다고 하면 추측항법만으로도 정확한 로봇의 위치를 계산할 수 있다.
참고문헌 (8)
J. Canny, "A computational approach to edge detection," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. PAMI-8, No. 6, pp. 679-698, Nov. 1986.
D. G. Lowe, "Distinctive image features from scale-Invariant keypoints," International Journal of Computer Vision, Vol. 60, No. 2, pp. 91-110, Nov. 2004.
I. J. Cox, "Blanche - An experiment in guidance and navigation of an autonomous robot vehicle," IEEE Transactions on Robotics and Automation, Vol. 7, No. 2, pp. 193-203, Apr. 1991.
D. Fox, W. Burgard and S. Thrun, "Markov localization for mobile robots in dynamic environments," Journal of Articial Intelligence Research , Vol. 11, pp. 391-427, Nov. 1999.
P. J. Besl and N. D. McKay, "A method for registration of 3-d shapes," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 14, No. 2, pp. 239-256, Feb. 1992.
A. A. Aghamohammadi, A. H. Tamjidi, and H. D. Taghirad, "SLAM using single laser range finder," in Proceeding of the 17th World Congress, The International Federation of Automatic Control, Seoul: Korea, Vol. 17, pp. 14657 - 14662, Jul. 2008.
R. Siegwart and I. R. Nourbakhsh, Introduction to Autonomous Mobile Robots, 2nd ed, Cambridge, MA: MIT Press, 2011.
G. Welch and G. Bishop (2006, July). An introduction to the Kalman filter [Internet]. Available: http://www.cs.unc.edu/-welch/media/pdf/kalman_intro.pdf
※ AI-Helper는 부적절한 답변을 할 수 있습니다.