Wi-Fi 환경에서 센서 및 정규분포 확률을 적용한 실내 위치추정 알고리즘 Indoor Localization Algorithm Using Smartphone Sensors and Probability of Normal Distribution in Wi-Fi Environment원문보기
본 논문에서는 실내 환경에서 정규분포 확률을 이용한 Wi-Fi 핑거프린트 방식과 스마트 폰에 내장된 가속도 센서 (accelerometer sensor), 자이로스코프 센서 (gyroscope sensor)를 이용하여 정확도를 향상시킨 위치추정 알고리즘을 제안하고, 실제 실험을 통하여 성능을 분석하였다. 제안한 알고리즘의 성능 실험은 본 대학교 공대 건물내의 가로 세로 20m * 10m의 공간에서 실시하였으며, 사용자가 각 구간을 이동 할 때 제안한 알고리즘의 위치추정 성능을 핑거프린트 (fingerprint) 방식과 추측항법 (dead reckoning)과 서로 비교하였다. 실험 결과, 제안한 알고리즘의 성능은 두 방식과 비교 했을 때, 최대 오차 거리는 각각 2cm, 36cm, 그리고 평균 오차 거리는 각각 16.64cm, 36.25cm 더 우수함을 확인하였다. 또한, 핑거프린트 맵 (map) 탐색 알고리즘의 성능도 맵 전체를 탐색하는 방식에 비해 약 0.15초 더 단축됨을 확인하였다.
본 논문에서는 실내 환경에서 정규분포 확률을 이용한 Wi-Fi 핑거프린트 방식과 스마트 폰에 내장된 가속도 센서 (accelerometer sensor), 자이로스코프 센서 (gyroscope sensor)를 이용하여 정확도를 향상시킨 위치추정 알고리즘을 제안하고, 실제 실험을 통하여 성능을 분석하였다. 제안한 알고리즘의 성능 실험은 본 대학교 공대 건물내의 가로 세로 20m * 10m의 공간에서 실시하였으며, 사용자가 각 구간을 이동 할 때 제안한 알고리즘의 위치추정 성능을 핑거프린트 (fingerprint) 방식과 추측항법 (dead reckoning)과 서로 비교하였다. 실험 결과, 제안한 알고리즘의 성능은 두 방식과 비교 했을 때, 최대 오차 거리는 각각 2cm, 36cm, 그리고 평균 오차 거리는 각각 16.64cm, 36.25cm 더 우수함을 확인하였다. 또한, 핑거프린트 맵 (map) 탐색 알고리즘의 성능도 맵 전체를 탐색하는 방식에 비해 약 0.15초 더 단축됨을 확인하였다.
In this paper, the localization algorithm for improving the accuracy of the positioning using the Wi-Fi fingerprint using the normal distribution probability and the built-in typed accelerometer sensor, the gyroscope sensor of smartphone in the indoor environment is proposed. The experiments for ana...
In this paper, the localization algorithm for improving the accuracy of the positioning using the Wi-Fi fingerprint using the normal distribution probability and the built-in typed accelerometer sensor, the gyroscope sensor of smartphone in the indoor environment is proposed. The experiments for analyzing the performance of the proposed algorithm were carried out at the region of the horizontal and vertical 20m * 10m in the engineering school building of our university, and the performance of the proposed algorithm is compared with the fingerprint and the DR (dead reckoning) while user is moving according to the assigned region. As a result, the maximum error distance in the proposed algorithm was decreased to 2cm and 36cm compared with two algorithms, respectively. In addition to this, the maximum error distance was also less than compared with two algorithms as 16.64cm and 36.25cm, respectively. It can be seen that the fingerprint map searching time of the proposed algorithm was also reduced to 0.15 seconds compared with two algorithms.
In this paper, the localization algorithm for improving the accuracy of the positioning using the Wi-Fi fingerprint using the normal distribution probability and the built-in typed accelerometer sensor, the gyroscope sensor of smartphone in the indoor environment is proposed. The experiments for analyzing the performance of the proposed algorithm were carried out at the region of the horizontal and vertical 20m * 10m in the engineering school building of our university, and the performance of the proposed algorithm is compared with the fingerprint and the DR (dead reckoning) while user is moving according to the assigned region. As a result, the maximum error distance in the proposed algorithm was decreased to 2cm and 36cm compared with two algorithms, respectively. In addition to this, the maximum error distance was also less than compared with two algorithms as 16.64cm and 36.25cm, respectively. It can be seen that the fingerprint map searching time of the proposed algorithm was also reduced to 0.15 seconds compared with two algorithms.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
가설 설정
이렇게 구축된 핑거프린트 맵을 이용하여 사용자가 실내 공간을 이동할 때 참조 위치가 인식되면 소지하고 있는 스마트 폰으로 수신되는 신호세기를 핑거프린트 맵과 비교하여 사용자의 현재 위치를 추정한다. 그리고 참조 위치 사이를 이동하는 경우, 스마트 폰은 지면과 수평을 유지하며 선형적인 이동을 한다고 가정한다. 사용자의 걸음걸이 수는 가속도 센서를 이용하여 측정하고, 여기에 보폭을 곱해 이동 거리를 추정한다.
제안 방법
제안한 위치추정 알고리즘의 성능을 분석하기 위하여 사용자는 L1, L2, L3 구간 내를 이동한다는 시나리오를 설정하였다. (그림 11 참조) 설정한 시나리오에서 제안하는 알고리즘의 위치 정확도 성능을 본 논문에서 제안한 정규분포 확률을 이용한 Wi-Fi 핑거프린트 기법과 스마트 폰의 센서 (가속도 및 자이로스코프 센서)를 이용한 추측항법과 서로 비교하였다. 비교 대상으로 사용된 Wi-Fi 핑거프린트 기법은 참조위치를 1m 간격으로 배치하고 정규분포 확률을 적용하였다.
설계한 알고리즘의 세부적인 흐름은 그림 9와 같다. 1단계에서는 제안한 정규분포 확률 기반 Wi-Fi 핑거프린트 기법을 이용하여 사용자의 초기 위치 및 구역을 파악하고, 센서융합을 통해 이동 방향을 계산하여 어느 구간의 핑거프린트 맵을 탐색할지 정하고, 마지막으로 사용자의 보폭에 대한 파라미터를 설정한다.
사용자의 위치 추정 시 핑거프린트 맵의 참조 위치의 개수가 많아지면 맵 탐색 소요시간이 증가하는 문제가 발생한다. 따라서 변환된 각도 정보를 이용하여 그림 8과 같이 사용자의 이동 방향을 계산하고 해당 구간만을 탐색하여 탐색 시간을 줄이도록 하였다.
따라서 본 논문에서는 이러한 점을 고려하여 사용자의 위치추정에 소요되는 핑거프린트 맵의 참조 위치 간격을 3m로 배치하였으며 각 참조 위치에서 신호세기를 수집하였다. 이렇게 수집된 훈련 데이터를 바탕으로 각각의 지역별 AP에서 수신된 Wi-Fi 신호 세기의 평균값 (mean)과 표준편차 (standard deviation)들을 구한다.
따라서 본 논문에서는 첫째 실내 Wi-Fi 환경에서 맵 탐색시간을 줄이기 위하여 사전 정보수집 단계에서 단말기의 위치추정 참조위치의 개수를 줄이는 방법을 사용하고, 둘째 스마트 폰에 내장된 센서인 가속도 센서 (accelerometer sensor)와 자이로스코프 센서 (gyroscope sensor)로 단말기의 이동거리 및 방향을 추정함으로써 NLOS에서 발생 할 수 있는 위치추정 정확도를 개선시키며, 셋째 정규분포 확률 기반의 Wi-Fi 핑거프린트 기법을 적용한 위치추정 알고리즘을 제시하고 성능을 분석하였다.
참조 위치의 간격을 조밀하게 하면 정확도는 상승하지만 핑거프린트 맵을 작성하는데 소요되는 시간적 비용이 증가한다는 문제점이 있다. 따라서 본 논문에서는 핑거프린트 방식의 이러한 점을 보완하면서 정확도를 향상시키기 위해 스마트 폰 내장 센서를 이용하였다.
또한, 본 논문에서는 정규분포 확률 기반 Wi-Fi 핑거프린트 기법의 설계에 있어서 맵 탐색 소요시간의 단축을 주요 설계방향으로 설정하였다. 사용자의 위치 추정 시 핑거프린트 맵의 참조 위치의 개수가 많아지면 맵 탐색 소요시간이 증가하는 문제가 발생한다.
본 논문에서 제안한 정규분포 확률을 이용한 Wi-Fi 핑거프린트 방식과 스마트 폰에 내장된 센서 (가속도, 자이로스코프 센서)를 이용한 위치 추정 알고리즘을 안드로이드 환경에서 구현하고, 성능을 분석하였다. 그림 12는 실시간으로 스마트 폰 사용자가 설정한 실험 영역에서 이동 할 때 추정된 사용자의 위치를 표시한 시뮬레이터의 처리 화면이다.
본 논문에서는 실내 환경에서 정규분포 확률을 이용한 Wi-Fi 핑거프린트 방식과 스마트 폰에 내장된 가속도, 자이로스코프 센서를 이용하여 위치 추정을 정확도를 향상한 방식을 제안하고, 실제 실험을 통하여 성능을 분석하였다. 실험은 본 대학교 공과대학 건물 내에서 가로 세로 20m * 10m의 공간에서 실시되었으며, 사용자는 각 구간을 이동하며, 이 때의 위치 추정 성능을 정규분포 확률을 이용한 핑거프린트 기법 및 추측항법과 서로 비교하였다.
(그림 11 참조) 설정한 시나리오에서 제안하는 알고리즘의 위치 정확도 성능을 본 논문에서 제안한 정규분포 확률을 이용한 Wi-Fi 핑거프린트 기법과 스마트 폰의 센서 (가속도 및 자이로스코프 센서)를 이용한 추측항법과 서로 비교하였다. 비교 대상으로 사용된 Wi-Fi 핑거프린트 기법은 참조위치를 1m 간격으로 배치하고 정규분포 확률을 적용하였다.
사용자의 움직임 (진동, 가속도 등)은 그 크기에 비례하는 전하가 발생하는 압전 소자 (piezoelectric element) 또는 움직임에 대한 정전 용량이 변화하는 소자를 이용하여 측정한다. 특히 가속도 센서는 움직임에 대해 두 가지 성질의 힘을 측정하는데 첫 번째가 중력에 대한 자세 (기울기) 측정이고, 두 번째는 시간에 대해 감속, 등속, 정지 등을 나타내는 가속도의 측정이다.
두 번째 단계는 사전 학습 단계에서 구성한 핑거프린트 맵을 기반으로 스마트 폰 사용자의 현재 위치를 추정하는 위치 추정 단계이다. 사전 학습 단계에서 수집한 훈련 데이터를 바탕으로 스마트 폰을 소지한 사용자가 실내 공간을 이동 시 주기적으로 Wi-Fi 신호 세기를 수집하고, 이때 수신된 신호세기를 바탕으로 핑거프린트 맵의 데이터를 이용하여 실시간으로 현재 위치를 추정한다. 각 참조 위치 x의 우도 (likelihood)는 확률 (probability) p(z|x)로 계산되며, 이렇게 계산된 우도 중에서 최대 우도 (maximum likelihood)를 갖는 참조위치를 현재 사용자의 위치로 추정한다.
본 논문에서는 실내 환경에서 정규분포 확률을 이용한 Wi-Fi 핑거프린트 방식과 스마트 폰에 내장된 가속도, 자이로스코프 센서를 이용하여 위치 추정을 정확도를 향상한 방식을 제안하고, 실제 실험을 통하여 성능을 분석하였다. 실험은 본 대학교 공과대학 건물 내에서 가로 세로 20m * 10m의 공간에서 실시되었으며, 사용자는 각 구간을 이동하며, 이 때의 위치 추정 성능을 정규분포 확률을 이용한 핑거프린트 기법 및 추측항법과 서로 비교하였다.
그러나 각속도 데이터를 각도 정보로 변환하는 과정에서 오차가 발생하며 측정된 값을 긴 시간동안 지속적으로 사용하게 되면 오차가 누적되는 ‘드리프트 현상’이 발생한다는 단점이 있다. 이를 보완하기 위하여 가속도 센서와 자이로스코프 센서를 융합하여 사용자의 이동 방향을 계산한다. 즉, 가속도 센서로 측정한 중력 가속도를 각도 정보로 변환하고 자이로스코프 센서의 각속도를 측정하여 적분 과정을 거쳐 회전각을 계산한다.
사용자의 걸음걸이 수는 가속도 센서를 이용하여 측정하고, 여기에 보폭을 곱해 이동 거리를 추정한다. 제안하는 알고리즘은 가속도 센서와 자이로스코프 센서를 융합하여 사용자의 이동 방향을 계산하고, 이에 따른 구간의 핑거프린트 맵 영역만을 탐색하는 구조로 이루어져 있다.
제안하는 위치추정 알고리즘의 구성은 그림 2와 같이 실내 공간을 일정 구간으로 분할하고 분할된 구간의 참조 위치에서 Wi-Fi 신호 세기를 수집하여 핑거프린트 맵을 구성한다.
제안한 위치추정 알고리즘의 성능을 분석하기 위하여 사용자는 L1, L2, L3 구간 내를 이동한다는 시나리오를 설정하였다. (그림 11 참조) 설정한 시나리오에서 제안하는 알고리즘의 위치 정확도 성능을 본 논문에서 제안한 정규분포 확률을 이용한 Wi-Fi 핑거프린트 기법과 스마트 폰의 센서 (가속도 및 자이로스코프 센서)를 이용한 추측항법과 서로 비교하였다.
이를 보완하기 위하여 가속도 센서와 자이로스코프 센서를 융합하여 사용자의 이동 방향을 계산한다. 즉, 가속도 센서로 측정한 중력 가속도를 각도 정보로 변환하고 자이로스코프 센서의 각속도를 측정하여 적분 과정을 거쳐 회전각을 계산한다. 회전한 각도 θt는 식 (6)을 이용하여 계산한다.
대상 데이터
본 논문에서 사용하는 스마트 폰의 기종은 삼성 갤럭시 (Galaxy) S3로 운영체제는 안드로이드이며 기준 좌표계는 그림 4와 같다. x축은 스마트 폰을 정면을 기준으로 좌우 방향, y축은 위아래 방향, z축은 앞 뒤 방향을 각각 나타낸다.
실험은 그림 10과 같이 본 대학교 공과대학에서 크기 20m * 10m인 복도에서 실시되었다. 실험 영역에 총 4개의 AP를 배치하였고, 각 AP 사이의 간격은 10m로 설정하였다. 참조 위치는 그림 11에서 보는 바와 같이 총 10개로 설정하였으며, 이들 간의 간격은 3m로 설정하였다.
Wi-Fi 핑거프린트 기법에서 모바일 기기는 신호 세기 정보를 수집하여 사용자의 위치를 추정한다. 실험에 사용된 모바일 기기는 삼성 Galaxy S3(SHA-E210) 이며, AP는 EPM Networks의 ipTIME A1004이다. ipTIME 시리즈는 국내에서 대중적으로 사용되는 무선 공유기로 자세한 기기의 제원은 표 1과 같다
실험은 그림 10과 같이 본 대학교 공과대학에서 크기 20m * 10m인 복도에서 실시되었다. 실험 영역에 총 4개의 AP를 배치하였고, 각 AP 사이의 간격은 10m로 설정하였다.
데이터처리
따라서 본 논문에서는 이러한 점을 고려하여 사용자의 위치추정에 소요되는 핑거프린트 맵의 참조 위치 간격을 3m로 배치하였으며 각 참조 위치에서 신호세기를 수집하였다. 이렇게 수집된 훈련 데이터를 바탕으로 각각의 지역별 AP에서 수신된 Wi-Fi 신호 세기의 평균값 (mean)과 표준편차 (standard deviation)들을 구한다. 그림 3은 사전 학습 단계에서 수집한 훈련 데이터 집합으로 만든 핑거프린트 맵의 일부로써 평균, 표준편차와 위치 데이터의 쌍 (pair)으로 구성되어 있다.
이론/모형
본 논문에서는 정규분포 확률을 이용하여 Wi-Fi 핑거프린트 기법을 설계한다. 사용자의 현재 위치를 추정하는 함수 f(x)는 각 위치에서 수신된 Wi-Fi 신호 강도로 구성된 훈련 데이터 집합 (training data set)으로부터 공분산 함수 커널 (covariance function kernel)을 적용하여 정의할 수 있다[11,12].
성능/효과
그림 14의 L2구간에서 평균 오차 거리는 각각 41.67cm, 34cm, 89cm 이며, 최대 오차 거리는 각각 100cm, 75cm, 154cm로, 제안한 알고리즘의 평균 오차 거리는 다른 두 방식에 비해 각각 7.67cm, 55cm 정도 더 정확하며, 최대 오차 거리도 각각 25cm, 79cm 정도 더 정확하였다.
58cm, 51cm 이며, 최대 오차 거리는 각각 120cm, 118cm, 151cm로 측정되었다. 따라서 제안하는 알고리즘의 평균 오차 거리는 두 방식과 비교했을 때, 각각 13.75cm, 21.42cm 정도 더 정확하며, 최대 오차 거리도 2cm, 33cm정도 더 정확하였다. 표 2는 전체 구간에서 세 가지 알고리즘의 최대 오차 거리와 평균 오차 거리를 나타낸 것이다.
실험 결과, 제안한 알고리즘의 성능이 두 방식에 비해 최대 오차 거리와 평균 오차 거리는 각각 2cm, 36cm 정도 더 정확하였고, 평균 오차 거리도 각각 16.64cm, 36.25cm로 더 정확한 것으로 나타났다. 또한 맵 탐색 알고리즘의 성능도 0.
실험 결과를 분석해 보면 추측 항법의 초기 오차 거리는 제안하는 알고리즘과 같이 0에 가까운 정확한 수치이지만, 걸음걸이 수가 증가할수록 오차 거리가 증가하는 것을 볼 수 있다. 그 이유는 스마트 폰에 내장된 센서의 성능은 고가의 센서에 비해 낮기 때문에 가속도센서가 사용자의 모든 걸음걸이를 100% 인식하지 못할 뿐 아니라, 오차가 발생해도 이를 제거할 추가적인 보정기법이 없으므로 시간이 지날수록 오차가 누적되어 실제 사용자의 이동 거리와 많은 차이가 발생하기 때문이다.
마지막으로 사용자의 이동 방향을 파악하여 해당 구간만을 탐색하는 알고리즘의 성능을 분석한 결과는 다음과 같다. 이동 중인 사용자가 L1에서 L2나 L3로 방향을 전환하였을 때 맵을 탐색하는데 소요되는 시간을 10회 반복 실험한 결과, 제안하는 알고리즘의 성능과 맵 전역을 탐색하는 방법의 성능은 그림 16과 같이 각각 0.07초, 0.22초로 약 0.15초 더 정도 단축되었다. 이 결과는 설정한 영역만을 대상으로 실험을 하였기 때문에 성능개선이 미미한 것으로 볼 수 있지만, 건물 전체를 대상으로 위치를 추정할 때에는 맵 영역이 크기 때문에 이에 비례해서 검색해야 하는 핑거프린트 맵 영역이 커지므로 제안하는 알고리즘이 맵 탐색시간 절약에 많은 도움이 될 것이다.
제안한 알고리즘의 성능을 정규 분포 확률을 이용한 핑거프린트 방식과 추측 항법과 비교 하였을 때, 최대 오차 거리는 각각 2cm, 36cm 정도 더 정확하였고, 평균 오차 거리도 각각 16.64cm, 36.25cm로 더 정확한 것으로 나타났다.
151cm 이다. 제안한 알고리즘의 평균 오차 거리는 핑거프린트 기법과 추측 항법에 비해 각각 26cm, 29.84cm 정도 더 정확하며, 최대 오차 거리는 각각 45cm, 76cm 정도 더 정확한 것을 볼 수 있다.
후속연구
그러나 이 성과는 사용자가 스마트 폰을 소지하는 방법이 제한적이라는 점과 실내 공간을 이동할 때 선형적인 이동만 한다는 등의 한정적인 환경, 그리고 주변에 방해 요소가 없는 LOS에서만 실험한 결과라는 문제점을 가지고 있다. 따라서 향후 NLOS 환경에서 위치 정확도 향상에 대한 연구, 스마트 폰의 다양한 소지 방법에 대한 연구, 그리고 사용자의 비선형적인 이동에도 적용할 수 있는 알고리즘 연구를 추가적으로 진행 할 필요성이 있다고 생각된다.
15초 더 정도 단축되었다. 이 결과는 설정한 영역만을 대상으로 실험을 하였기 때문에 성능개선이 미미한 것으로 볼 수 있지만, 건물 전체를 대상으로 위치를 추정할 때에는 맵 영역이 크기 때문에 이에 비례해서 검색해야 하는 핑거프린트 맵 영역이 커지므로 제안하는 알고리즘이 맵 탐색시간 절약에 많은 도움이 될 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
Wi-Fi 핑거 프린트 기법의 단점은 무엇인가?
실내 측위기술에 일반적으로 사용되는 Wi-Fi 핑거 프린트 기법은 직진성을 가지는 레이저와는 달리 AP의 신호가 장애물로 막힌 공간이나 복도와 같은 구부러진 공간에도 전달이 가능하다는 장점이 있다. 그러나 이 기법은 날씨와 시간, 물체의 움직임, 공간 복잡도 등과 같은 환경에서는 AP신호의 세기가 아주 민감하게 변화하기 때문에 정확한 측위가 어려울 수도 있다.
자이로스코프 센서 무엇을 측정하는데 사용되는가?
자이로스코프 센서는 물체의 회전 각속도를 측정하는데 사용되며, 측정된 3축의 데이터 정보를 적분을 통해 각도 정보로 변환하여 사용자의 이동 방향을 계산할 수 있다. 그러나 각속도 데이터를 각도 정보로 변환하는 과정에서 오차가 발생하며 측정된 값을 긴 시간동안 지속적으로 사용하게 되면 오차가 누적되는 ‘드리프트 현상’이 발생한다는 단점이 있다.
Wi-Fi 핑거 프린트 기법의 장점은 무엇인가?
실내 측위기술에 일반적으로 사용되는 Wi-Fi 핑거 프린트 기법은 직진성을 가지는 레이저와는 달리 AP의 신호가 장애물로 막힌 공간이나 복도와 같은 구부러진 공간에도 전달이 가능하다는 장점이 있다. 그러나 이 기법은 날씨와 시간, 물체의 움직임, 공간 복잡도 등과 같은 환경에서는 AP신호의 세기가 아주 민감하게 변화하기 때문에 정확한 측위가 어려울 수도 있다.
참고문헌 (12)
S. W. Lee and S. W. Kim, "Indoor location positioning technology trend and outlook," Inf. Commun. Mag., vol. 32, no. 2, pp. 81-88, Jan. 2015.
G. Kim, I. Park, Y. Im, A. Hong, J. Kim, and Y. Shin, "Recent trends in location-based services," Inf. Commun. Mag., vol. 28, no. 7, pp. 3-14, Jun. 2011.
M. I. Ji, Y. S. Cho, S. J. Park, and D. S. Im, "Wi-Fi based indoor localization technology development trend," Inf. Commun. Mag., vol. 28, no. 7, pp. 52-58, Jun. 2011.
H. Liu, H. Darabi, P. Banerjee, and J. Liu, "Survey of wireless indoor positioning techniques and systems," IEEE Trans. Systems, Man, Cybernetics, Part C: Appl. Rev., vol. 37, no. 6, pp. 1067-1080, Nov. 2007.
P. Bahl and V. N. Padmanabhan, "RADAR: an in-building RF-based user location and tracking system," in Proc. INFOCOM, vol. 2, pp. 775-784, TelAviv, Israel, Mar. 2000.
Skyhook Wireless, Wi-Fi Fingerprint: How to use Fingerprint method in indoor environment, July 1, 2015, from http://www.skyhookwirel ess.com
Ekahau, Wi-Fi Fingerprint: Wi-Fi module used in warehouse, hospital, July 1, 2015, from http://www.ekahau.com.
E. Foxlin, "Pedestrian tracking with shoe-mounted inertial sensors," IEEE Comput. Graphics Appl., vol. 25, no. 6, pp. 38-46, Nov.-Dec. 2005.
H. Wang, et al., "No need to war-drive: unsupervised indoor localization," in Proc. MobiSys '12, pp. 197-210, Jun. 2012.
B. Ferris, D. Hahnel, and D. Fox, "Gaussian processes for signal strength-based location estimation," in Proc. Robotics Sci. Syst., 2006.
F. Duvallet and A. D. Tews, "WiFi position estimation in industrial environments using Gaussian processes," in Proc. IEEE/RSJ IROS, pp. 2216-2221, Nice, Sep. 2008.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.