[논문]COAG 특징과 센서 데이터 형상 기반의 후보지 선정을 이용한 위치추정 정확도 향상

김동일; 송재복; 최지훈

doi:10.7746/jkros.2014.9.2.117

Abstract ▼ AI-Helper

Localization is one of the essential tasks necessary to achieve autonomous navigation of a mobile robot. One such localization technique, Monte Carlo Localization (MCL) is often applied to a digital surface model. However, there are differences between range data from laser rangefinders and the data...

Localization is one of the essential tasks necessary to achieve autonomous navigation of a mobile robot. One such localization technique, Monte Carlo Localization (MCL) is often applied to a digital surface model. However, there are differences between range data from laser rangefinders and the data predicted using a map. In this study, commonly observed from air and ground (COAG) features and candidate selection based on the shape of sensor data are incorporated to improve localization accuracy. COAG features are used to classify points consistent with both the range sensor data and the predicted data, and the sample candidates are classified according to their shape constructed from sensor data. Comparisons of local tracking and global localization accuracy show the improved accuracy of the proposed method over conventional methods.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 실외환경에서의 위치추정 기술을 향상시키기 위하여 센서 데이터를 통해 추출한 COAG 특징을 이용하여 다각형을 수립하고, 이를 이용한 후보지 선정 방법을 제안하였다. 선별된 후보지에서 MCL을 수행하여 위치추정의 정밀도가 향상되었으며 이는 전역 및 국부 위치추정 시뮬레이션을 통해 검증하였다.
. 본 연구에서는 이를 개선하기 위하여 센서 데이터의 형상(shape)을 이용한 후보지 선정 기법을 제안하였다. 새로운 후보지 선정 기법을 이용한 MCL은 이전 연구보다 우수한 위치추정 정확도를 가지며, 이를 실제 환경에서 수집한 실시간 센서 데이터를 이용한 전역 및 국부 위치추정 시뮬레이션으로 증명하였다.
본 장에서는 COAG 특징 정보를 활용하여 센서 데이터를 다각형 모델로 만들고, 예측 데이터로 만든 다각형과 실제 센서 데이터로 만든 다각형을 비교하여 후보지를 선정하는 방법에 대하여 설명한다.
본 장에서는 Hausdorff 거리 기반의 후보지 선정을 이용하여 향상된 위치추정 성능을 검증하고자 한다. 아래의 환경에 대하여 전역 위치추정과 국부 위치추정의 두 종류의 반복적 시뮬레이션을 통하여 향상된 위치추정 성능을 검증하였다.

제안 방법

가중치 부여 과정은 샘플을 사용하는 MCL에서 로봇 위치와 샘플 위치 간의 유사도를 결정하는 과정이므로 매우 중요하다. 가중치는 어떤 샘플 위치에서 예측한 센서 데이터와 실제 센서 데이터를 비교하여 센서 모델을 수립하여 구한다. 샘플 n에 대한 가중치는 베이시안 갱신규칙에 기반하여 확률적으로 아래와 같이 표현할 수 있다^[3].
먼저, 임의의 로봇 위치에서 센서 데이터를 수집하여 CO 지점 및 PCO 지점만을 추출하고, 추출한 특징들을 실선으로 이어 그림 4의 다각형 A를 생성한다. 또한, 임의 위치의 각 샘플에서 각 특징의 각도와 동일한 방향에서의 센서 데이터를 예측하고, 이를 이용하여 다각형 B를 생성한다. 유사도 지표란 언급한 두 도형의 형상에 대한 유사도를 나타낼 수 있는 지표를 의미한다.
반복된 위치추정 실험을 이용하여 그림 11과 같이 비교 결과를 얻을 수 있었다. 본 결과는 약 100번의 반복 위치 추정 수행을 기준으로 기존의 COAG 특징을 이용한 국부 위치추정 결과^[9]를 초록색 실선으로, 에너지함수 기반 후보지 선정을 이용한 방법^[10]을 붉은 실선으로나타내어 파란색 실선으로 표시한 제안된 방법과 반복 수행시 위치오차를 비교한 것이다. 그래프를 보면 제안한 기법의 결과가 기존의 결과에 비하여 위치오차가 줄어든 모습을 보이며 그래프의 변화폭 역시 감소하여 위치추정의 정밀도가 향상되었음을 알 수 있다.
유사도 지표란 언급한 두 도형의 형상에 대한 유사도를 나타낼 수 있는 지표를 의미한다. 본 연구에서는 두 도형의 위치와 무관하게 형상만을 비교하기에 용이한 Hausdorff 거리^[11]와 두 도형의 평균 최소거리를 이용하여 유사도 지표를 수립한다.
본 연구에서는 실외환경에서의 위치추정 기술을 향상시키기 위하여 센서 데이터를 통해 추출한 COAG 특징을 이용하여 다각형을 수립하고, 이를 이용한 후보지 선정 방법을 제안하였다. 선별된 후보지에서 MCL을 수행하여 위치추정의 정밀도가 향상되었으며 이는 전역 및 국부 위치추정 시뮬레이션을 통해 검증하였다. 이 방법은 MCL이 아니더라도 기존의 확률 기반 위치추정 기법에서의 정합에 응용해서 다양하게 사용될 수 있으므로 실용적인 연구라 판단된다.
본 장에서는 Hausdorff 거리 기반의 후보지 선정을 이용하여 향상된 위치추정 성능을 검증하고자 한다. 아래의 환경에 대하여 전역 위치추정과 국부 위치추정의 두 종류의 반복적 시뮬레이션을 통하여 향상된 위치추정 성능을 검증하였다.
이 스캐너는 회전 모터와 연결되어, 지면과 평행한 방향부터 상하로 45° 까지 반복 회전되며 센서 데이터가 수집되었다. 이 로봇은 그림 1의 환경을 주행하며 전역 및 국부 위치추정을 수행하였다.

대상 데이터

국부 위치추정(local tracking)은 로봇의 초기위치를 알고 있는 상황에서 국부 지역을 대상으로 로봇의 위치를 추정하는 기술이다. 본 연구에서는 500개의 샘플을 초기위치 주변에 배치하여 시뮬레이션을 수행하였다. 그림 10의 (a)는 실험 수행 중인 모습이다.
본 연구에서는 그림 8과 같은 Pioneer 3AT 모델을 사용하여 실험하였다. 장착된 거리센서는 SICK사의 LMS291 모델로, 전방 180° 범위를 1° 간격으로 최대 80m까지의 거리를 측정할 수 있다.
전역 위치추정은 로봇의 초기 위치를 모르는 상황에서 지도 전체를 대상으로 로봇의 위치를 추정하는 기술이다. 실험은 20,000개의 샘플로 수행하였다. 위치추정 성공 여부는 샘플의 수가 500개 이하로 수렴하고, 실제 로봇의 이동과 유사한 방향으로 이동하고 있을 때 성공하였다고 판단하였다.
이 스캐너는 회전 모터와 연결되어, 지면과 평행한 방향부터 상하로 45° 까지 반복 회전되며 센서 데이터가 수집되었다.

데이터처리

D(A, B(n))은 도형 A와 도형 B(n)의 모든 최소거리들의 집합이다. 실제 센서 데이터로 만든 도형 A와 n번째 샘플에서 예측한 정보로 만든 도형 B(n)을 이용하여 Hausdorff 거리와 평균 최소거리를 각각 구하고, 이를 이용하여 유사도 지표를 계산한다. 계산한 값이 임계값 σ보다 작을 경우, 후보지가 아니라 판단한다.

이론/모형

, 이 연구는 널리 사용하는 지도를 사용하지 않아 일반적인 지도 기반의 기술을 사용할 수 없다는 단점이 있다. 따라서 본 연구에서는 실외환경에 대한 기본 지도로 DSM(digital surface model)을 사용한다. 그림 1은 본 연구의 실험 환경과 이를 나타내는 DSM이다.
위치추정은 MCL에 본 연구에서 제안한 기법을 적용하여 수행한다. 본 연구에서는 sampling importance resampling(SIR) 알고리즘이 적용되었다^[12]. 이 알고리즘은 샘플 분포, 가중치 부여, 샘플 재배치의 세 단계로 진행되며, 이 단계들이 반복되면서 위치추정을 수행한다.
위치추정은 MCL에 본 연구에서 제안한 기법을 적용하여 수행한다. 본 연구에서는 sampling importance resampling(SIR) 알고리즘이 적용되었다^[12].

성능/효과

본 결과는 약 100번의 반복 위치 추정 수행을 기준으로 기존의 COAG 특징을 이용한 국부 위치추정 결과^[9]를 초록색 실선으로, 에너지함수 기반 후보지 선정을 이용한 방법^[10]을 붉은 실선으로나타내어 파란색 실선으로 표시한 제안된 방법과 반복 수행시 위치오차를 비교한 것이다. 그래프를 보면 제안한 기법의 결과가 기존의 결과에 비하여 위치오차가 줄어든 모습을 보이며 그래프의 변화폭 역시 감소하여 위치추정의 정밀도가 향상되었음을 알 수 있다. 전체 추정 결과에 대해 평균 위치오차를 비교하면, 이전의 기법이 평균 1.
첫째로, CO(commonly observed) 지점은 센서로 감지하는 방향에서 측정된 지점보다 높이 위치한 점들이 측정된 지점보다 높이 있는 점들이 멀리 위치한 경우이며, 항공에서 측정한 고도지도상의 데이터와 지상에서 관측하는 센서 데이터가 가장 유사할 수 있는 지점이다. 둘째로, PCO(potentially commonly observed) 지점은 측정된 지점보다 높이 있는 점들이 유사한 높이에 위치한 경우이다. 벽과 같은 환경에서 데이터를 수집하였을 때 추출이 가능하며, CO 지점에 비해 실제 센서 및 예측한 데이터 간의 유사도가 떨어진다.
본 연구에서는 이를 개선하기 위하여 센서 데이터의 형상(shape)을 이용한 후보지 선정 기법을 제안하였다. 새로운 후보지 선정 기법을 이용한 MCL은 이전 연구보다 우수한 위치추정 정확도를 가지며, 이를 실제 환경에서 수집한 실시간 센서 데이터를 이용한 전역 및 국부 위치추정 시뮬레이션으로 증명하였다.
벽과 같은 환경에서 데이터를 수집하였을 때 추출이 가능하며, CO 지점에 비해 실제 센서 및 예측한 데이터 간의 유사도가 떨어진다. 셋째로, NCO(not commonly observed) 지점은 측정된 지점보다 높이 있는 점들이 로봇에 가까이 위치한 경우이며, 이러한 환경을 고도지도에서는 정확하게 표현할 수 없으므로 예측한 거리와 실제 센서 데이터간의 오차가 크게 발생할 수 있다. 그림 3에서 보듯이 NCO 지점을 측정한 각도로 DSM을 이용하여 관측정보를 예측하면 실제 센서데이터와 차이가 있다.
그래프를 보면 제안한 기법의 결과가 기존의 결과에 비하여 위치오차가 줄어든 모습을 보이며 그래프의 변화폭 역시 감소하여 위치추정의 정밀도가 향상되었음을 알 수 있다. 전체 추정 결과에 대해 평균 위치오차를 비교하면, 이전의 기법이 평균 1.9m 및 0.7m의 오차를 보이는 데 비하여, 제안한 방법은 평균 0.6m의 위치오차를 보였다.
데이터 배치를 분석하면 환경의 형상에 따라 다음의 4가지로 분류할 수 있다. 첫째로, CO(commonly observed) 지점은 센서로 감지하는 방향에서 측정된 지점보다 높이 위치한 점들이 측정된 지점보다 높이 있는 점들이 멀리 위치한 경우이며, 항공에서 측정한 고도지도상의 데이터와 지상에서 관측하는 센서 데이터가 가장 유사할 수 있는 지점이다. 둘째로, PCO(potentially commonly observed) 지점은 측정된 지점보다 높이 있는 점들이 유사한 높이에 위치한 경우이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	실외환경에서 로봇의 위치추정에서 GPS를 사용한 방법의 단점은?	로봇의 위치를 정확하게 파악하는 것이 다른 기술을 원활하게 수행하기 위해 필수적이므로, 위치추정은 가장 중요한 기술이다. 특히, 실외환경에서 로봇의 위치추정은 GPS를 사용하여 개발되어 왔으나[4], GPS 정보는 건물이나 장애물이 많은 환경에서 불확실성이 높아진다는 단점이 있다. 그러므로 GPS 신호가 들어오지 않는 상황을 고려해야 하는 국방 관련 분야에서는 사전 환경지도와 센서융합 기반의 위치추정 기술에 대한 많은 연구가 진행되고 있다.
	로봇이 다양한 환경을 주행하기 위해서는 어떠한 기술이 필요한가?	로봇이 다양한 환경을 주행하기 위해서는 환경 정보를 이용하여 로봇 위치를 추정하는 기술, 최적화된 주행 경로를 생성하고, 장애물을 회피하기 위한 기술 등이 필요하다[1-3]. 로봇의 위치를 정확하게 파악하는 것이 다른 기술을 원활하게 수행하기 위해 필수적이므로, 위치추정은 가장 중요한 기술이다.
	파티클 필터 기반의 Monte Carlo Localization 방법의 장점은?	대표적으로는, 마코프 위치추정, 칼만필터 기반의 위치추정, 파티클 필터 기반의 Monte Carlo Localization(MCL) 등이 연구되었다[5]. 이런 다양한 위치추정 기술 중에 MCL[6]은 야외환경에서 로봇 위치에 대한 불확실성을 줄이고 환경 변화에 강인하게 작용하는 장점이 있다.

참고문헌 (12)

F. Nashashibi, P. Fillatreau, B. Dacre-Wright, and T. Simeon, "3-D Autonomous Navigation in a Natural Environment," IEEE International Conference of Robotics and Automation, pp. 433-439, 1994.
C. B. Noh, M. H. Kim, and M. C. Lee, "Path Planning for the Shortest Driving Time Considering UGV Characteristic and Driving Time and Its Driving Algorithm," Journal of Korea Robotics Society, vol. 8, no. 1, pp. 43-50, 2013.

원문보기 상세보기
H. Ryu, and W. K. Chung, "Local Map-based Exploration Strategy for Mobile Robots," Journal of Korea Robotics Society, vol. 8, no. 4, pp. 256-265, 2013.

원문보기 상세보기
K. Ohono, T. Tsubouch, B. Shigematsu, and S. Yuta, "Differential GPS and Odometry-based Outdoor Navigation of a Mobile Robot," Advanced Robotics, vol. 18, no. 6, pp. 611-635, 2004.

상세보기
S. Thrun, W. Burgard, and D. Fox, "Probabilistic Robotics," The MIT Press, 2006.
D. Fox, "Monte Carlo Localization: Efficient Position Estimation for Mobile Robots," Proc. of AAAI-99, Orlando, FL, 1999.
R. Kummerle, R. Triebel, P. Pfaff, and W. Burgard, "Monte Carlo Localization in Outdoor Terrains Using Multilevel Surface Maps," Journal of Field Robotics, vol. 25, issue. 6-7, pp. 346-359, 2008.

상세보기
P. Frederick, R. Kania, M. D. Rose, D. Ward, U. Benz, A. Baylot, M. J. Willis, and H. Yamauchi, "Spaceborne Path Planning for Unmanned Ground Vehicles (UGVs)," IEEE Conference of Military Communications (MILCOM), pp. 3134-3141, 2005.
T. B. Kwon, J. B. Song, "A New Feature Commonly Observed from Air and Ground for Outdoor Localization with Elevation Map Built by Aerial Mapping System," Journal of Field Robotics, vol. 28, no. 2, pp. 227-240, 2011.

상세보기
D. I. Kim, J. B. Song, "Accurate Localization with COAG Features and Self-Adaptive Energy Region," The 6th International Conference on Intelligent Robotics and Applications, pp. 576-583, 2013.
W. Rucklidge, "Efficient visual recognition using the Hausdorff distance," Lecture Notes in Computer Science, 1995.
A. Doucet, "Sequential Monte Carlo Method in Practice," Springer, Berlin, 2001.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

COAG 특징과 센서 데이터 형상 기반의 후보지 선정을 이용한 위치추정 정확도 향상
Improvement of Localization Accuracy with COAG Features and Candidate Selection based on Shape of Sensor Data 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

COAG 특징과 센서 데이터 형상 기반의 후보지 선정을 이용한 위치추정 정확도 향상 Improvement of Localization Accuracy with COAG Features and Candidate Selection based on Shape of Sensor Data 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

김동일 (1) 송재복 (140) 최지훈 (6)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

COAG 특징과 센서 데이터 형상 기반의 후보지 선정을 이용한 위치추정 정확도 향상
Improvement of Localization Accuracy with COAG Features and Candidate Selection based on Shape of Sensor Data 원문보기

AI 본문요약
AI-Helper