[논문]캡스톤 디자인을 통한 3D Depth 센서 기반 HRI 시스템의 위치추정 알고리즘 연구

이동명

doi:10.18108/jeer.2016.19.6.49

문제 정의

본 논문에서 제안한 3D Depth 센서 기반 HRI 시스템의 위치추정 알고리즘인 EKFLA의 성능을 분석하기 위해 본 대학교 건물 내에서 개발한 로봇을 이용해 실험을 진행하였다.
1과 같이 손을 흔드는 동작, 로봇을 부르는 동작, 한 손을 드는 동작, 양손을 드는 동작을 인식한다. 이 기술은 실제 환경에서 상기의 4가지 인식 제스처 이외의 일상생활 동작에는 반응하지 않도록 개발되었다.

가설 설정

단, wk와 vk는 각각 시스템 모델의 잡음과 측정 잡음을 나타내는 무작위 변수이고, 평균 0, 분산 #인 백색 가우시안 잡음으로 가정한다.

제안 방법

KETI에서는 고선명 공간투영 방식의 3D 디스플레이와 고정밀 핑거 공간터치 기술을 결합하여 공간에 투영된 3D 가상 물체를 터치하여 상호작용하는 시스템을 개발하였다. 또한 Time of Flight (TOF) 카메라와 신경망을 이용하여 지능형 가전에 사용되는 SoC형 제스처 인식기술과 저비용으로 이를 응용 할 수 있는 기술을 개발하였다.
개발한 HRI 시스템은 Fig. 6과 같이 H/W인 로봇 플랫폼, 로봇 플랫폼의 동작을 제어하는 로봇 전용 운영체제인 Robot Operating System (ROS)[4], 로봇 전체의 동작을 제어하는 로봇 제어모듈의 기반 위에서 핵심 알고리즘인 경로 및 위치추정 알고리즘, 사용자 행동패턴 인지 알고리즘, 맵 데이터 생성 및 맵 빌딩 알고리즘, 장애물 감지 및 회피 알고리즘으로 구성된다.
개발한 HRI 시스템을 탑재한 로봇은 두개의 바퀴가 독립적으로 구동되는 방식을 채택하고 있는데, 순간 회전 중심 (Instantaneous Center of Rotation, ICR)이 양바퀴 축에 위치한 직선 위에서 이동하고, 이동한 위치는 양바퀴의 회전 속도 비에 의해 결정된다. 두 바퀴의 선속도 (직선으로 움직이는 속도)인 vR (오른쪽 바퀴의 선속도)과 vL (왼쪽 바퀴의 선속도)은 식 (1)과 같이 나타낼 수 있다.
본 논문에서 제안한 EKF를 이용한 위치추정 알고리즘 (EKFLA)은 먼저 엔코더가 로봇의 이동 거리를 측정하고, 자이로는 로봇의 각도를 측정하여 로봇의 이동 위치를 실시간으로 추정한 후 EKF를 사용하여 로봇의 위치를 보정한다. 그 다음, 3D Depth 센서를 이용해 엔코더와 자이로에서 발생하는 오차를 줄여 로봇의 위치추정 정확도를 개선한다.
따라서 본 논문에서는 대학원 학생들의 캡스톤 디자인을 통해 이러한 문제점을 해결하기 위하여 LRF 대신에 저가의 3D Depth 센서인 키넥트를 이용하여 장애물을 감지하는 HRI 기능을 구현하였다. 아울러 전시장에 관광객을 대상으로 유적물을 설명하는 도슨트 로봇에 3D 모션센서를 탑재한 3D Depth 센서 기반 HRI 시스템에 적용되는 확장 칼만필터 (Extended Kalman Filter, EKF) 기반 위치추정 알고리즘 (Localization Algorithm based on EKF, EKFLA)을 제안하고 성능을 분석하였다.
7과 같이 주행제어가 쉽게 이루어 지도록 두개의 바퀴가 독립적으로 구동되게 하였고, 엔코더와 자이로를 이용하여 로봇의 위치 오차가 최소화되도록 제작하였다. 또한 HRI 기술을 구현하기 위해 프라임센스 (PrimeSense)의 모션 센서를 장착하여 3D Depth 이미지를 획득하였다.
KETI에서는 고선명 공간투영 방식의 3D 디스플레이와 고정밀 핑거 공간터치 기술을 결합하여 공간에 투영된 3D 가상 물체를 터치하여 상호작용하는 시스템을 개발하였다. 또한 Time of Flight (TOF) 카메라와 신경망을 이용하여 지능형 가전에 사용되는 SoC형 제스처 인식기술과 저비용으로 이를 응용 할 수 있는 기술을 개발하였다.
로봇 플랫폼은 ROS를 기반으로 하여 Fig. 7과 같이 주행제어가 쉽게 이루어 지도록 두개의 바퀴가 독립적으로 구동되게 하였고, 엔코더와 자이로를 이용하여 로봇의 위치 오차가 최소화되도록 제작하였다. 또한 HRI 기술을 구현하기 위해 프라임센스 (PrimeSense)의 모션 센서를 장착하여 3D Depth 이미지를 획득하였다.
본 논문에서 제안한 EKF를 이용한 위치추정 알고리즘 (EKFLA)은 먼저 엔코더가 로봇의 이동 거리를 측정하고, 자이로는 로봇의 각도를 측정하여 로봇의 이동 위치를 실시간으로 추정한 후 EKF를 사용하여 로봇의 위치를 보정한다. 그 다음, 3D Depth 센서를 이용해 엔코더와 자이로에서 발생하는 오차를 줄여 로봇의 위치추정 정확도를 개선한다.
본 논문에서는 대학원 학생들의 캡스톤 디자인을 통해 LRF 대신에 저가의 3D Depth 센서인 키넥트를 이용하여 장애물을 감지하는 HRI 기능을 구현하였을뿐 아니라 EKF 기반 위치추정 알고리즘을 제안하고 성능을 분석하였다. 제안한 EKFLA는 자이로의 보정 비율이 높아서 KFLA에 비해 자이로 드리프트 현상이 현저히 감소하였다.
본 연구에서는 과제책임자 1명, 참여 교수 1명 그리고 박사과정 2, 석사과정 2 명이 팀을 구성하여 프로젝트를 수행하였다. 3D Depth 센서 기반 HRI 시스템의 위치추정 알고리즘의 개발을 위한 팀 구성 및 역할은 Table 1과 같다.
상기의 4가지 개발 모듈을 대상으로 10개월간 본 과제의 소속 연구원들이 시스템을 설계 및 구현하였으며, 그 다음 2개월 간 이들은 참여회사에 파견되어 현장연수 과정을 수행하면서 시스템을 보완하였다. Fig.
실험은 Fig. 11과 같이 로봇이 직선 이동을 하는 경우인 시나리오 1, 로봇이 1회 방향을 전환하는 경우인 시나리오 2, 로봇이 2회 방향을 전환하는 경우인 시나리오 3의 3가지 시나리오로 진행되었다. 엔코더와 자이로를 이용하여 위치추정을 할 경우, 엔코더의 측정 거리 오차와 자이로의 각도 오차 (자이로 드리프트)가 발생한다.
따라서 본 논문에서는 대학원 학생들의 캡스톤 디자인을 통해 이러한 문제점을 해결하기 위하여 LRF 대신에 저가의 3D Depth 센서인 키넥트를 이용하여 장애물을 감지하는 HRI 기능을 구현하였다. 아울러 전시장에 관광객을 대상으로 유적물을 설명하는 도슨트 로봇에 3D 모션센서를 탑재한 3D Depth 센서 기반 HRI 시스템에 적용되는 확장 칼만필터 (Extended Kalman Filter, EKF) 기반 위치추정 알고리즘 (Localization Algorithm based on EKF, EKFLA)을 제안하고 성능을 분석하였다.
2단계는 엔코더와 자이로의 누적오차를 없애기 위해 3D Depth 센서를 이용해 이동 경로 주변의 사물을 비교하여 로봇의 현재 위치를 추정하고 위치를 보정하는 위치추정 단계이다. 이렇게 로봇의 위치 추정에 두 단계를 적용함으로써 로봇의 위치추정 정확도를 높이고 엔코더와 자이로의 누적 오차 문제를 해결하였다.

성능/효과

Fig. 12(a)를 보면, KFLA는 위치 오차가 최소 0.008m에서 최대 0.757m까지 지속적으로 누적 오차가 발생하는 것을 볼 수 있다. 그러나 Fig.
제안한 EKFLA는 자이로의 보정 비율이 높아서 KFLA에 비해 자이로 드리프트 현상이 현저히 감소하였다. EKFLA의 위치오차 개선율은 시나리오 1~3에서 KFLA에 비해 각각 21.96%, 25.81% 및 15.03%로 측정되었다. 이는 평균적으로 20.
049cm 더 낮게 측정되었다. 결론적으로 EKFLA의 위치오차 개선율은 시나리오 1 ~ 3에서 KFLA에 비해 각각 21.96%, 25.81% 및 15.03%로 개선되었음을 알 수 있다. 평균적으로는 EKFLA가 KFLA에 비해 위치 오차가 20.
다시 말해서 선형 시스템에 적합한 KFLA에 비해 비선형 시스템에서는 제안한 3D Depth 센서 기반의 EKFLA가 KFLA보다 더 위치추정 정확도를 가진다.
12(b)에서 보는 바와 같이 KFLA에 비해 실제 경로에 더 유사함을 확인 할 수 있다. 따라서 제안한 EKFLA는 시나리오 1에서 KFLA 보다 로봇의 이동 궤적과 위치 정확도가 더 향상되었음을 알 수 있다.
본 논문에서는 대학원 학생들의 캡스톤 디자인을 통해 LRF 대신에 저가의 3D Depth 센서인 키넥트를 이용하여 장애물을 감지하는 HRI 기능을 구현하였을뿐 아니라 EKF 기반 위치추정 알고리즘을 제안하고 성능을 분석하였다. 제안한 EKFLA는 자이로의 보정 비율이 높아서 KFLA에 비해 자이로 드리프트 현상이 현저히 감소하였다. EKFLA의 위치오차 개선율은 시나리오 1~3에서 KFLA에 비해 각각 21.
03%로 개선되었음을 알 수 있다. 평균적으로는 EKFLA가 KFLA에 비해 위치 오차가 20.93% 개선된 것이다.

후속연구

향후, 본 연구실은 수행한 캡스톤디자인 체계를 기반으로 이동 중인 로봇의 위치를 추정하기 위해 EKFLA 이외의 다른 위치추정 기법을 추가하여 자이로 드리프트 및 엔코더 누적 오차를 보정하는 새로운 알고리즘을 제시하고, 이를 개발한 3D Depth 센서 기반 HRI 시스템에 적용하여 성능을 분석할 예정이다.

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

캡스톤 디자인을 통한 3D Depth 센서 기반 HRI 시스템의 위치추정 알고리즘 연구
A Study of Localization Algorithm of HRI System based on 3D Depth Sensor through Capstone Design 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

성능/효과

후속연구

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

캡스톤 디자인을 통한 3D Depth 센서 기반 HRI 시스템의 위치추정 알고리즘 연구 A Study of Localization Algorithm of HRI System based on 3D Depth Sensor through Capstone Design 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

성능/효과

후속연구

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

이동명 (36)

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

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

캡스톤 디자인을 통한 3D Depth 센서 기반 HRI 시스템의 위치추정 알고리즘 연구
A Study of Localization Algorithm of HRI System based on 3D Depth Sensor through Capstone Design 원문보기

AI 본문요약
AI-Helper