[논문]실내 이동로봇의 UKF 위치 추정 및 성능 평가

한준희; 고낙용

doi:10.5391/jkiis.2015.25.4.361

실내 이동로봇의 UKF 위치 추정 및 성능 평가
UKF Localization of a Mobile Robot in an Indoor Environment and Performance Evaluation 원문보기

한국지능시스템학회 논문지 = Journal of Korean institute of intelligent systems, v.25 no.4, 2015년, pp.361 - 368

한준희 (조선대학교 대학원 제어계측공학과) , 고낙용 (조선대학교 전자공학과)

초록
AI-Helper

본 논문은 실내 환경에서 이동로봇의 위치추정을 위해 무향 칼만 필터(UKF, Unscented Kalman Filter)를 적용하는 방법을 기술한다. 위치 추정을 위해 적용한 무향 칼만 필터 방법은 측정 거리에 따라 오차 공분산 값을 조절하는 새로운 측정 불확실성 모델을 제안한다. 또한 이 방법은 속도정보의 불확실성 및 측정 불확실성에 관한 오차 공분산 행렬의 비 대각 성분을 '0'이 아닌 값으로 설정한다. 이 방법은 100*40m 의 실내 작업환경에서 외수용성 센서로서 레이저영역측정기(Laser range finder)를 가진 차륜형 이동로봇을 이용한 실험을 통하여 평가한다. 이 실험에서는 적응적 불확실성 모델을 사용하지 않는 보통의 방법과 제안된 방법의 추정성능을 비교한다. 또한 이 실험은 오차 공분산의 비 대각성분을 '0'이 아닌 값으로 설정하여 추정 성능이 개선되는 것을 확인한다. 이 논문은 이동로봇의 위치추정을 위한 실용적인 UKF 방법을 구현하고 그 성능을 평가 하는 것을 주요 내용으로 한다.

Abstract ▼ AI-Helper

This paper reports an unscented Kalman filter approach for localization of a mobile robot in an indoor environment. The method proposes a new model of measurement uncertainty which adjusts the error covariance according to the measured distance. The method also uses non-zero off diagonal values in error covariance matrices of motion uncertainty and measurement uncertainty. The method is tested through experiments in an indoor environment of 100*40 m working space using a differential drive robot which uses Laser range finder as an exteroceptive sensor. The results compare the localization performance of the proposed method with the conventional method which doesn't use adaptive measurement uncertainty model. Also, the experiment verifies the improvement due to non-zero off diagonal elements in covariance matrices. This paper contributes to implementing and evaluating a practical UKF approach for mobile robot localization.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서 측정된 센서 정보의 불확실성은 서로 다르게 고려해야 한다. 따라서 본 연구는 측정된 센서 정보에 대하여 센서 거리에 비례하는 불확실성 값이 되도록 하는 방정식을 설계한다. 이 방정식은 실측위치와 추정위치의 오차율을 줄여 추정 결과가 좀 더 나아지는 역할을 수행한다.
본 논문은 UKF방법이 가지고 있는 특성을 이용하여 실내 이동로봇의 위치추정에 대한 실험을 하고 성능을 비교 분석하였다. 제안하는 방법은 측정 센서의 불확실성 값에 대한 새로운 모델링 방법을 제시하여 추정성능을 향상시켰다.

제안 방법

19개의 센서거리에 대한 불확실성을 갖는 Qt는 기존에 하나의 값으로 결정하지 않고 센서 거리에 대해서 적응적으로 변화 하도록 설계하였다.
다음 실험은 오차 공분산 행렬의 비 대각 성분 값에 따른 추정변화를 비교한다. 오차 공분산 행렬의 비 대각 성분 값을 0으로 주었을 때와 0이 아닌 일정한 값을 주었을 때의 추정 실험을 관찰 하였다.
하지만 예측된 로봇의 위치로부터 하나의 계산된 센서 거리와 대응되는 실측된 센서 거리가 다르다면 나머지 측정된 센서 거리와 계산된 센서 거리도 달라진다. 따라서 오차 공분산 행렬의 비 대각 성분들을 0이 아닌 값을 주는 실험을 통해 적절한 값을 찾아 실제 시스템에 맞게 구현하였다. 0이 아닌 값을 적용하면 추정 오차율이 줄어들어 추정성능이 향상된다.
실험은 외부센서 데이터의 크기에 비례하여 불확실성 값을 변화시켰다. 변화된 불확실성 값은 가중치를 적용하여 사용되었다.
다음 실험은 오차 공분산 행렬의 비 대각 성분 값에 따른 추정변화를 비교한다. 오차 공분산 행렬의 비 대각 성분 값을 0으로 주었을 때와 0이 아닌 일정한 값을 주었을 때의 추정 실험을 관찰 하였다. 표 5은 오차 공분산 행렬의 비 대각 성분이 0일 때와 값이 존재할 때의 두 가지 추정결과에서 얻은 검증결과를 나타낸다.
본 논문은 UKF방법이 가지고 있는 특성을 이용하여 실내 이동로봇의 위치추정에 대한 실험을 하고 성능을 비교 분석하였다. 제안하는 방법은 측정 센서의 불확실성 값에 대한 새로운 모델링 방법을 제시하여 추정성능을 향상시켰다. 측정 거리와 비례하는 불확실성 값은 실제 환경에 더 알맞게 설계한 것이다.
첫 번째 실험은 기존의 측정 센서의 불확실성 값을 하나로 결정하는 방법을 사용한 추정방법과 매 시간마다 달라지는 센서 거리를 가중치로 이용하여 측정 센서의 불확실성 값을 변화시켜 추정하는 방법을 비교한다. 추정된 로봇위치의 거리 오차를 검증하는 방법은 추정된 위치와 주행 궤적의 거리 차이에 대한 평균(E(error)), 표준편차(σ(error)), 최대오차리(Max.

대상 데이터

실험은 그림 3 장소에서 얻은 지도 정보와 레드원테크놀러지㈜사의 NRLAB02 로봇에서 엔코더 정보를 획득하여 내수용성 센서정보로 사용한다. 그리고 외수용성 센서 정보는 SICK사의 LMS511로 얻은 센서 정보를 사용한다. LMS511의 정확도는 ± 12mm이다.
레이저 거리 측정 센서는 그림 2의 오른쪽 0°에서부터 첫 번째로 하여 180°까지 각각 10° 간격을 갖는 19개의 센서거리를 이용하여 경계면을 검출한다.
는 무향 변환 방법에 의해서 구해진다. 무향 변환을 위한 상태변수는 x, y, 𝜃, 직진속도, 회전속도, 19개의 센서 거리 정보를 나타내며 총 24개 이다.
실험은 그림 3 장소에서 얻은 지도 정보와 레드원테크놀러지㈜사의 NRLAB02 로봇에서 엔코더 정보를 획득하여 내수용성 센서정보로 사용한다. 그리고 외수용성 센서 정보는 SICK사의 LMS511로 얻은 센서 정보를 사용한다.

데이터처리

추정된 로봇위치의 거리 오차를 검증하는 방법은 추정된 위치와 주행 궤적의 거리 차이에 대한 평균(E(error)), 표준편차(σ(error)), 최대오차리(Max. ), 표준 오차(RMSE, Root Mean Squares Error)로 나타낸다.

이론/모형

UKF를 적용하기 위해서 본 실험에서는 UT방법과 촐레스키 분해방법을 사용하여 알고리즘을 적용한다. 중요한 것은 조절 가능한 파라미터 값을 적절히 사용하지 않으면 추정성능을 저하시킨다는 점이다.
대표적인 필터링방법들은 확장 칼만 필터(EKF, Extended Kalman Filter)방법[1][2][3][4], 파티클 필터(MCL, Monte Carlo Localization)방법[5][6][7][8], 무향 칼만 필터방법[9][10]들이 있다. 본 연구는 이러한 필터링 방법 중 무향 칼만 필터 방법을 적용하여 이동 로봇의 위치를 추정 한다.
시그마 포인트를 생성할 때 사용하는 방법은 촐레스키 분해방법과 제곱근 행렬(Matrix square root)방법이 있다. 본 연구에서는 UT방법과 촐레스키 분해를 사용하여 알고리즘에 적용하였다. UKF를 이용한 위치추정 알고리즘 설계는 그림 1의 순서도와 같다.
LMS511의 정확도는 ± 12mm이다. 실험을 위해 사용한 컴퓨터 사양은 표 2에 나타내었으며 추정실험을 위한 프로그램은 Matlab2014를 사용한다. 실험에서 나타낸 지도는 그리드 맵 기반이며 격자간의 최소거리는 10cm이다.

성능/효과

0001로 주었다. 따라서 두 번째 실험은 오차 공분산 행렬의 비 대각 성분들을 0으로 실험할 때보다 추정오차가 줄어든 것을 확인 하였다.
본 연구에서는 제어 파라미터 변경을 통해 3.4250< \(r\) <3.4300 사이에서 향상된 추정결과를 얻었다.
제안된 방법은 UT와 촐레스키 분해에서 오차 공분산 행렬의 비 대각 성분 값을 0이 아닌 값으로 하여 추정성능을 향상시켰다. 비대각 성분이 0이 아닌 값으로 고려한 것은 추정을 위해 사용한 직진속도와 회전속도 정보, 그리고 센서 측정 거리들이 서로간의 영향을 미치기 때문이다.

후속연구

본 연구에서는 측정 센서의 불확실성에 대한 새로운 모델 링 방법을 제안하였으나 향후 내수용성 센서정보의 불확실성에 대한 연구와, 불확실한 환경에서의 상황인지를 위한 동작 방법에 관한 연구[20]가 더 필요한 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	무향 칼만 필터의 특징은?	무향 칼만 필터 방법은 비선형 시스템에 대해서도 적용할 수 있으며 확률론적인 방법으로 입자를 생성하는 파티클 필터의 특성을 가지고 있다. 파티클 필터의 경우는 입자의 개수가 많아 계산량이 증가하여 처리속도가 늦는 단점이 있다.
	대표적인 필터링방법으로는 무엇이 있나요?	이동 로봇의 운전 및 관측에서는 상태 추정을 위한 필터링(filtering)방법들이 많이 사용되고 있다. 대표적인 필터링방법들은 확장 칼만 필터(EKF, Extended Kalman Filter)방법[1][2][3][4], 파티클 필터(MCL, Monte Carlo Localization)방법[5][6][7][8], 무향 칼만 필터방법[9][10]들이 있다. 본 연구는 이러한 필터링 방법 중 무향 칼만 필터 방법을 적용하여 이동 로봇의 위치를 추정 한다.
	알고리즘을 적용할 때 센서 정보에 대한 불확실성 값을 알맞게 고려해야 하는 이유는?	무향 칼만 필터 방법에 관한 연구들로는 서로 다른 필터링 방법 간의 비교[11][12], 센서 융합[13][14]과 같은 연구들이 진행 중이다. 추정을 위한 필터링 방법들은 외수용성 센서 정보로 위치를 보정할 때 센서의 정확도가 추정결과에 중요한 영향을 미친다. 따라서 알고리즘을 적용할 때에는 센서 정보에 대한 불확실성 값을 알맞게 고려해야 한다.

참고문헌 (20)

S. J. Julier, J. K. Uhlmann, "New extension of the Kalman filter to nonlinear systems", Proc. SPIE, vol. 3068, pp. 182-193, 1997.
L. Jetto, S. Longhi, G. Venturini, "Development and experimental validation of an adaptive extended Kalman filter for the localization of mobile robots", IEEE Transactions on Robotics and Automation, vol. 15, no. 2, pp. 219-229, 1999.

상세보기
J. M. Kim, Y. T Kim, S. S. Kim, "An Accurate Localization for Mobile Robot Using Extended Kalman Filter and Sensor Fusion", IEEE International Joint Conference on Neural Networks, pp. 2928- 2933, 2008.
Jungmin Kim, Yountae Kim, Sungshin Kim, "Indoor Localization for Mobile Robot using Extended Kalman Filter", Journal of Korean Institute of Intelligent Systems, vol. 18, no. 5, pp. 706-711, 2008.

원문보기 상세보기
S. Thrun, D. Fox, W. Burgard, F. Dellaert, "Robust Monte Carlo localization for mobile robots", Artificial intelligence, vol. 128, pp. 99-141, 2001.

상세보기
T. G. Kim, N. Y. Ko, S. W. Noh, "Simultaneous Estimation of Landmark Location and Robot Pose Using Particle Filter Method", Journal of Korean Institute of Intelligent Systems, vol. 22, no. 3, pp. 353-360, 2012.

원문보기 상세보기
Hyunhak Cho, Jungmin Kim, Joocheol Do, Sungshin Kim, "Improvement of Positioning Accuracy of Laser Navigation System using Particle Filter", Journal of Korean Institute of Intelligent Systems, vol. 21, no. 6, pp. 755-760, 2011.

원문보기 상세보기
DaeHee Lee and Yeon-Mo Yang, "Two-Dimensional Localization Problem under non-Gaussian Noise in Underwater Acoustic Sensor Networks", Journal of Korean Institute of Intelligent Systems, vol. 23, no. 5, pp. 418-422, 2013.

원문보기 상세보기
S. J. Julier, J. K. Uhlmann, "A New Extension of the Kalman Filter to Nonlinear Systems", Progress in Biomedical Optics and Imaging(SPIE Proceedings Series), 1997.
Gabriel Hartmann, Fay Huang, Reinhard Klette, "Landmark Initialization for Unscented Kalman Filter Sensor Fusion in Monocular Camera Localization", International Journal of Fuzzy Logic and Intelligent Systems, vol. 13, no. 1, pp. 1-10, 2013.

원문보기 상세보기
Z. Kurt-Yavuz, S. Yavuz, "A comparison of EKF, UKF, FastSLAM2.0, and UKF-based FastSLAM algorithms", INES 2012 IEEE 16th International Conference on Intelligent Engineering Systems, pp. 37-43, 2012.
K. J. Kim, C. G. Park, M. J. Yu, Y. B. Park, "A Performance Comparison of Extended and Unscented Kalman Filters for INS/GPS Tightly Coupled Approach", Journal of Institute of Control, Robotics and Systems, vol. 12, no. 8, pp. 780-788, 2006.
W. Li, H. Leung, "Constrained Unscented Kalman Filter Based Fusion of GPS/INS/Digital Map for Vehicle Localization", IEEE International Conference on Intelligent Transportation Systems, vol. 2, pp. 1362-1367, 2003.
J. H. Lee, K. H. Jung, J. M. Kim, S. S. Kim, "Sensor Fusion of Localization using Unscented Kalman Filter", Journal of Korean Institute of Intelligent Systems, vol. 21, no. 5, pp. 667-672, 2011.

원문보기 상세보기
M. St-Pierre, D. Gingras, "Comparison between the unscented Kalman filter and the extended Kalman filter for the position estimation module of an integrated navigation information system", 2004 IEEE Intelligent Vehicles Symposium, pp. 831-835, 2004.
P. Zhang., J. Gu, E. E. Milios, P. Huynh, "Navigation with IMU/GPS/Digital Compass with Unscented Kalman Filter", Proceedings of the IEEE International Conference on Mechatronics & Automation Niagara Falls, pp. 1497-1502 vol. 3, 2005.
W. Chai, C. Chen, E. Edwan, J. Zhang, O. Loffeld, "INS/Wi-Fi Based Indoor Navigation Using Adaptive Kalman Filtering and Vehicle Constraints", Positioning Navigation and Communication (WPNC), 2012 9th Workshop on, pp. 36-41, 2012.
H. Qasem, L. Reindl, "Unscented and Extended Kalman Estimators for non Linear Indoor Tracking Using Distance Measurements", Positioning, Navigation and Communication, 2007. WPNC '07. 4th Workshop on, pp. 177-181, 2007.
K. Xiong, C. W. Chan, H. Y. Zhang, "Detection of satellite attitude sensor faults using the UKF", Aerospace and Electronic Systems, IEEE Transactions on, vol. 43, pp. 480-491, 2007.

상세보기
J. S. Kim, J. S. Jeong, and G. K. Park, "Utilization of Planned Routes and Dead Reckoning Positions to Improve Situation Awareness at Sea", International Journal of Fuzzy Logic and Intelligent Systems, vol. 14, no. 4, pp.288-294, 2014.

원문보기 상세보기

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