LIDAR를 이용해서 얻은 3차원점군 데이터는 작은 물체를 추출하기에는 오차의 영향이 크기 때문에 작은 밸브를 자동으로 추출하는데 많은 어려움이 있다. 본 논문에서는 이러한 잡음이 있는 3차원 점군 데이터 사이에서 밸브의 위치 및 방향(Pose)의 정보를 얻는 방법을 제안한다. Pose를 얻기 위해서 밸브가 원환체 모양의 손잡이, 원통 모양의 Rib, 평면 모양의 중심축 평면인 기본 도형으로 이루어진 모델이라고 가정한다. 그리고 밸브의 중심 좌표에 대한 추가적인 입력을 받아서 밸브의 Pose를 추출한다. 중심점을 기준으로 거리에 따른 히스토그램을 생성하고, 히스토그램의 값에 따라 손잡이, Rib, 중심축 평면의 파라미터를 통계적인 방법으로 추출하여 최종 밸브의 Pose를 추출한다. 추출된 밸브의 Pose를 이용하여 3차원 점군 데이터에 밸브의 모형을 각 모양으로 복원한다.
LIDAR를 이용해서 얻은 3차원 점군 데이터는 작은 물체를 추출하기에는 오차의 영향이 크기 때문에 작은 밸브를 자동으로 추출하는데 많은 어려움이 있다. 본 논문에서는 이러한 잡음이 있는 3차원 점군 데이터 사이에서 밸브의 위치 및 방향(Pose)의 정보를 얻는 방법을 제안한다. Pose를 얻기 위해서 밸브가 원환체 모양의 손잡이, 원통 모양의 Rib, 평면 모양의 중심축 평면인 기본 도형으로 이루어진 모델이라고 가정한다. 그리고 밸브의 중심 좌표에 대한 추가적인 입력을 받아서 밸브의 Pose를 추출한다. 중심점을 기준으로 거리에 따른 히스토그램을 생성하고, 히스토그램의 값에 따라 손잡이, Rib, 중심축 평면의 파라미터를 통계적인 방법으로 추출하여 최종 밸브의 Pose를 추출한다. 추출된 밸브의 Pose를 이용하여 3차원 점군 데이터에 밸브의 모형을 각 모양으로 복원한다.
It is difficult to extract small valve automatically in noisy 3D point cloud obtained from LIDAR because small object is affected by noise considerably. In this paper, we assume that the valve is a complex model consisting of torus, cylinder and plane represents handle, rib and center plane to extra...
It is difficult to extract small valve automatically in noisy 3D point cloud obtained from LIDAR because small object is affected by noise considerably. In this paper, we assume that the valve is a complex model consisting of torus, cylinder and plane represents handle, rib and center plane to extract a pose of the valve. And to extract the pose, we received additional input: center of the valve. We generated histogram of distance between the center and each points of point cloud, and obtain pose of valve by extracting parameters of handle, rib and center plane. Finally, the valve is reconstructed.
It is difficult to extract small valve automatically in noisy 3D point cloud obtained from LIDAR because small object is affected by noise considerably. In this paper, we assume that the valve is a complex model consisting of torus, cylinder and plane represents handle, rib and center plane to extract a pose of the valve. And to extract the pose, we received additional input: center of the valve. We generated histogram of distance between the center and each points of point cloud, and obtain pose of valve by extracting parameters of handle, rib and center plane. Finally, the valve is reconstructed.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 LIDAR로 수집한 오차가 심한 점군 데이터에서 밸브의 Pose 및 다양한 파라미터를 정확히 찾아내는 방식을 제안했다. 밸브를 원환체, 원통, 평면의 복합체라 가정하고 밸브의 중심 좌표를 입력받아서 통계적인 방법으로 밸브의 파라미터를 계산했다.
본 논문에서는 LIDAR로 얻은 3차원 데이터를 이용하여 작고 복잡한 물체 중 하나인 밸브를 인식하여 Pose를 추출하는 방법을 제안하려고 한다. 제안하는 방법에서는 밸브를 그림 1과 같이 원환체(손잡이), 원통(Rib), 평면(중심축 평면)의 기본 도형으로 이루어진 하나의 모델로 가정하고 파라미터를 추출하여 Pose를 얻는다.
이번 장에서는 제안하는 밸브 추출 알고리즘의 효과를 검증하기 위하여 실험 결과를 논의하고자 한다. 길이, 너비 등의 검증은 실측값과 계산 값을 비교하며, 위치 및 각도는 계산된 Pose를 이용하여 3차원 점군 데이터 위에 복원하여 실제 점들과 얼마나 겹쳐지는지를 확인한다.
가설 설정
또한 제안하는 방법은 로봇이 직접 조작을 할 수 있는 가까운 위치에 밸브가 존재한다는 것을 가정한 것이다. 먼 거리에서 밸브를 찾아 접근한 후 제안하는 방법을 사용하여 밸브를 찾는 방식의 연구도 진행된다면 사람의 간섭 없이 자동으로 물체를 추적, 조작하는 부분에 큰 발전이 있을 것으로 기대된다.
제안 방법
먼저 LIDAR를 통해 획득된 점군 데이터와 함께 밸브의 중심 위치 pplane에 대한 정보를 입력받으면 밸브의 손잡이, Rib, 중심축 평면을 각각 추출하게 된다. 각 기본 도형의 파라미터를 계산하기 위해서 중심으로부터 각 점까지의 거리 히스토그램을 생성하여 이를 분석한다. 이후 절에서 블록 별 세부 알고리즘을 설명한다.
Rib는 중심축 평면으로부터 뻗어나가는 원통형 모양의 형태로 가정했기 때문에 중심으로부터 뻗어나가는 각도로 1차원 클러스터링을 하면 Rib의 정보를 얻을 수 있다. 기준이 되는 각도는 임의로 설정하는 것으로 본 논문에서는 평면 추출 과정에서 얻은 고유 벡터에서 평면과 수평인 성분을 이용한다. 이를 이용해 생성한 각도에 대한 히스토그램은 그림 10(a)이다.
이번 장에서는 제안하는 밸브 추출 알고리즘의 효과를 검증하기 위하여 실험 결과를 논의하고자 한다. 길이, 너비 등의 검증은 실측값과 계산 값을 비교하며, 위치 및 각도는 계산된 Pose를 이용하여 3차원 점군 데이터 위에 복원하여 실제 점들과 얼마나 겹쳐지는지를 확인한다.
본 논문에서 사용한 LIDAR는 Hokuyo사의 UTM-30LX-EW로 이에 대한 사양은 표 1에 나와 있다. 또한 그림 11과 같이 밸브가 포함된 환경을 LIDAR 로 촬영했으며, 로봇이 실제로 밸브를 조작할 수 있는 위치에서 인식을 하도록 하여 밸브로부터 1m 떨어진 위치에서 실험을 진행하였다. 측정하면서 사용된 밸브의 정보는 표 2에 있으며.
그림 3은 제안하는 밸브 모델 추출 알고리즘의 전체 블록도를 보여준다. 먼저 LIDAR를 통해 획득된 점군 데이터와 함께 밸브의 중심 위치 pplane에 대한 정보를 입력받으면 밸브의 손잡이, Rib, 중심축 평면을 각각 추출하게 된다. 각 기본 도형의 파라미터를 계산하기 위해서 중심으로부터 각 점까지의 거리 히스토그램을 생성하여 이를 분석한다.
본 논문에서는 LIDAR로 수집한 오차가 심한 점군 데이터에서 밸브의 Pose 및 다양한 파라미터를 정확히 찾아내는 방식을 제안했다. 밸브를 원환체, 원통, 평면의 복합체라 가정하고 밸브의 중심 좌표를 입력받아서 통계적인 방법으로 밸브의 파라미터를 계산했다.
이 경우 오차는 최대 30mm 까지 발생할 수 있다. 밸브의 Pose를 계산하기 위해서 MATLAB와 ROS hydro 두 가지 환경에서 실험을 진행하였고 점군데이터 위에 밸브를 복원하는 것은 화면 출력이 간편한 MATLAB을 이용하여 진행하였다.
이를 위하여 입력받은 중심 좌표로부터 각 점까지의거리 히스토그램을 생성하고, 밸브의 각 부분의 위치를 추정하고, 크기를 계산했다.
을 추출하기 위해서는 최소 3개의 점이 필요한데, RANSAC을 이용하여 임의의 3개의 점을 선택한다. 점 선택을 여러 번 반복하며, 선택한 점으로 구성한 평면과 모든 점들 간의 거리를 이용하여 최적의 평면인지를 판단한다.
본 논문에서는 LIDAR로 얻은 3차원 데이터를 이용하여 작고 복잡한 물체 중 하나인 밸브를 인식하여 Pose를 추출하는 방법을 제안하려고 한다. 제안하는 방법에서는 밸브를 그림 1과 같이 원환체(손잡이), 원통(Rib), 평면(중심축 평면)의 기본 도형으로 이루어진 하나의 모델로 가정하고 파라미터를 추출하여 Pose를 얻는다. LIDAR 고유의 측정 오차를 담고 있는 부분적 점군 데이터로부터 히스토그램을 이용한 점들의 분포를 통계적으로 해석하여 기본 도형의 복합체를 분석하기 때문에 매우 정확한 밸브의 Pose를 계산할 수 있다.
중심축 및 손잡이 부분은 LIDAR에 의해 획득되는 점들이 많은 특성을 이용하여 해당 부분을 추출하기 위해 밸브의 중심점을 기준으로 거리 히스토그램을 생성한다. 즉, 3차원 공간상에서 그림 5와 같이 폭이 α인 속이 빈 구모양의 영역에 포함되는 점들의 개수를 센다.
2차원 영상을 이용하는 방식에는 1999년 Lowe에 의해 제안된 Scale Invariant Feature Transform(SIFT)[1]나 2008년 Bay에 의해 제안된 Speed Up Robust Feature(SURF)[2] 등 물체의 특징점을 추출할 수 있는 알고리즘을 활용하여 물체를 인식하는 방식이 개발되었다[6]. 해당 방식에서는 인식하고자 하는 물체에 대한 특징점 정보를 미리 추출하여 저장하고, 이후 입력 영상에 대해 특징점을 추출하고 이를 미리 저장된 특징점 정보와 매칭하여 물체를 인식한다. 매칭의 정확성을 높이기 위해 물체의 모서리를 추출하고, 기울기를 찾는 등의 추가적인 과정을 수행한다.
대상 데이터
그림 4. LIDAR로 수집한 3차원 점군 데이터. (a) 전체 모습.
본 논문에서 사용한 LIDAR는 Hokuyo사의 UTM-30LX-EW로 이에 대한 사양은 표 1에 나와 있다. 또한 그림 11과 같이 밸브가 포함된 환경을 LIDAR 로 촬영했으며, 로봇이 실제로 밸브를 조작할 수 있는 위치에서 인식을 하도록 하여 밸브로부터 1m 떨어진 위치에서 실험을 진행하였다.
평면의 경우 이를 나타낼 수 있는 파라미터는 평면의 법선벡터 nplane와 평면 위의 한 점 pplane이다. 본 논문에서는 pplane가 밸브의 중심으로 기준점이며 밸브의 중심축 평면의 중심이기도 하다. nplane와 pplane뿐만 아니라 중심축 평면의 반지름 rplane도 계산한다.
성능/효과
실험 결과, 파라미터의 실제 측정값과 계산 값의 차이가 3mm 이하로 나왔으며, Rib의 개수도 정확히 추출 했다. 또한 이를 이용하여 점군 정보위에 복원을 한 결과 실제 밸브에 해당하는 점과 정확히 겹쳐지는 위치에 생성되었다.
후속연구
또한 제안하는 방법은 로봇이 직접 조작을 할 수 있는 가까운 위치에 밸브가 존재한다는 것을 가정한 것이다. 먼 거리에서 밸브를 찾아 접근한 후 제안하는 방법을 사용하여 밸브를 찾는 방식의 연구도 진행된다면 사람의 간섭 없이 자동으로 물체를 추적, 조작하는 부분에 큰 발전이 있을 것으로 기대된다.
하지만 밸브의 중심 좌표를 입력받아서 밸브를 찾았기 때문에 자동으로 밸브를 찾았다고 할 수는 없다. 밸브를 자동으로 찾기 위해 3차원 정보에서 직접 밸브의 중심 좌표를 찾거나, 카메라와 같은 다른 센서를 이용 하여 찾는 등 밸브의 중심을 자동으로 찾아 잡음이 심한 데이터에서도 자동으로 모델을 인식하는 방법을 연구할 필요가 있다.
향후 연구할 과제로는 밸브의 중심 좌표를 입력받아서 밸브를 찾았기 때문에 자동으로 밸브를 찾았다고 할 수는 없다. 이를 보완하여 추가적인 입력 없이 모델을 인식하는 방법을 연구할 필요가 있다.
향후 연구할 과제로는 밸브의 중심 좌표를 입력받아서 밸브를 찾았기 때문에 자동으로 밸브를 찾았다고 할 수는 없다. 이를 보완하여 추가적인 입력 없이 모델을 인식하는 방법을 연구할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
휴머노이드 로봇이란 무엇인가?
휴머노이드 로봇은 사람과 같이 두 팔과 두 다리로 자유롭게 움직이며 사람을 대신하여 다양한 작업을 수행하는 로봇으로, 지금까지 휴머노이드 로봇을 위해 인식, 제어에 관련된 다양한 연구들이 진행되어 성능 향상을 이뤄 왔다. 하지만 아직 제한된 상황에서만 정상 적인 동작이 가능하며, 복잡하고 다양한 상황에서 안정적으로 동작하기 위해서는 추가적인 성능 향상이 필요하다.
다양한 센서를 이용하여 물체의 위치 및 방향(Pose)을 인식하는 방법 중 2차원 영상을 이용하는 방식에는 무엇이 있는가?
휴머노이드 로봇이 동작함에 있어 주변 환경 및 물체의 정확한 인식은 매우 중요한 역할을 하며, 이를 위해 다양한 센서를 이용하여 물체의 위치 및 방향(Pose)을 인식하는 방법에 대한 연구가 활발히 진행되고 있다. 2차원 영상을 이용하는 방식에는 1999년 Lowe에 의해 제안된 Scale Invariant Feature Transform(SIFT)[1]나 2008년 Bay에 의해 제안된 Speed Up Robust Feature(SURF)[2] 등 물체의 특징점을 추출할 수 있는 알고리즘을 활용하여 물체를 인식하는 방식이 개발되었다[6]. 해당 방식에서는 인식하고자 하는 물체에 대한 특징점 정보를 미리 추출하여 저장하고, 이후 입력 영상에 대해 특징점을 추출하고 이를 미리 저장된 특징점 정보와 매칭하여 물체를 인식한다.
LIDAR를 이용해서 얻은 3차원 점군 데이터의 한계는 무엇인가?
LIDAR를 이용해서 얻은 3차원 점군 데이터는 작은 물체를 추출하기에는 오차의 영향이 크기 때문에 작은 밸브를 자동으로 추출하는데 많은 어려움이 있다. 본 논문에서는 이러한 잡음이 있는 3차원 점군 데이터 사이에서 밸브의 위치 및 방향(Pose)의 정보를 얻는 방법을 제안한다.
참고문헌 (13)
Lowe, David G, "Object recognition from local scale-invariant features," Proceedings of the International Conference on Computer Vision. pp. 1150-1157, 1999
H. Bay, T. Tuytelaars, and L. Van Gool, "Surf : Speeded up robust features," in European Conference on Computer Vision, May 2006.
S. Gim, C. Yang, J. Lee, J. Kim, and H. Kim, "Object and Pose Recognition with Boundary Extraction from 3 Dimensional Depth Information," Journal of the Institute of Electronics Engineers of Korea, Vol. 48, no. 48, pp. 15-23, 2011.
S. Hwang, J. Yoo, H. Kim, S. Kim, K. Paeng, and S. Kim, "High-resolution 3D Object Reconstruction using Multiple Cameras," Journal of the Institute of Electronics Engineers of Korea, Vol. 50, no. 10, pp. 2602-2613, 2013.
C. Park, and D. Kim, "Obstacle Detection for Generating the Motion of Humaniod Robot," in Jounal of Institute of Control, Robotics and Systems, 2012.
G. Kim, and D. Kang, "An Implementation of Object Detection and Tracking Algorithm Using a Fusion Method of SURF and Kalman Filter," JKIIT, Vol. 13, no. 2, pp. 59-64, Feb. 2015.
J. Liu, Z. Wu, "An adaptive approach for primitive shape extraction from point clouds," Optik, Vol. 125, pp. 2000-2008, May 2014.
J. Niemeyer, F. Rottensteiner and U. Soergel, "Contextual classification of lidar data and building object detection in urban areas," ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 87, pp. 152-165, Jan. 2014.
J. Tang and A. Zakhor, "3D Object Detection from Roadside Data Using Laser Scanners," in Proc. of SPIE, Vol. 7864, California, USA, Jan. 2011.
H. Himmelsbach, A. Muller, T. Luttel and H. -J. Wunsche, "LIDAR-based 3D Object Perception," Proc. of 1st international workshop on cognition for technical systems, Vol. 1, 2008.
R. -B. Rusu, Z. -C. Marton, N. Blodow, M. Dolha and M. Beetz, "Towards 3D Point cloud based object maps for household environments," Robotics and Autonomous Systems, Vol. 56, pp. 927-941, Nov. 2008.
R. Schnabel, "Efficient Point-Cloud Processing with Primitive Shapes," Dissertation, Universitat Bonn, Dec. 2010.
D. Marshall, G. Lukacs and R. Martin, "Robust Segmentation of Primitives from Range Data in the Presence of Geometric Degeneracy," IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 23, No. 3, pp. 304-314, March 2001.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.