선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문은 해양로봇 특화 수조에 들어갈 측위 시스템을 구성하는데 필요한 음영지역 위치 추정을 목적으로 한다. 수중 측위에서 사용 가능한 센서는 극히 제한적이기에 불가피하게 음영지역이 생기는데, 이 음영 지역에서의 위치 추정을 위한 알고리즘을 제안하였다.
- 실험은 부산광역시 기장군에 위치한 한국생산기술연구원 해양로봇센터에서 진행한다. 해양로봇을 위한 전용 수조로서 구축은 완료되었으며, 수중 및 수면 측위 시스템을 본 논문을 통해 개발한다.
제안 방법
- 필터를 접목한 소나 데이터의 오차는 크지 않으므로 연산의 간소화를 위해 측정된 4개의 데이터 중 가장 큰 데이터를 제외한 3개의 소나 데이터만 이용하여 위치를 계산한다. 각 센서 출력값만큼의 반지름을 가지는 원의 방정식과 교점을 이용하여 위치를 계산한다. 결과에는 큰 영향을 미치진 않지만 미세한 센서 오차로 생기는 좌표 계산 오류는 Fig.
- 소나 데이터가 들어올 때 노이즈 및 외란이 발생하기에 확장 칼만 필터를 이용하여 노이즈를 줄이고 신뢰가 되는 데이터를 예측 및 보정을 한다. 그 후 각 센서에서 받은 보정 데이터를 이용하여 운동체의 위치를 계산한다. 필터를 거치더라도 데이터가 정확한 거리를 측정하지는 않으므로 운동체의 크기를 고려하여 범위로 위치 계산을 한다.
- 정확히는 SVM 중 회귀성능을 이용하였기에 SVR로 부른다. 그리고 기존 SVR에서 조건 범위를 일정하게 고정하여 전개하였다. 선형 시스템에서 전개되는 SVR를 비선형 시스템에도 접목하기 위해 커널 함수를 이용하여 고차원 매핑하였으며, 이때 커널 함수에 따라 민감하게 반응을 하는데 이를 알고리즘 적으로 보정을 하였다.
- 그렇기에 발산할 수 있는데 이러한 경우 벽면까지 거리인 3 m를 고려하여 1 m거리를 두고 벽면을 따라 이동하는 것으로 한다. 그리고 음영지역을 벗어나는 데이터가 출력되면 이전 측정 데이터와 동시에 회귀 분석을 하여 새로이 갱신을 한다. 시간에 따라 출력 데이터 개수도 다르기에 운동체의 속도와 음영지역에 머무른 시간을 체크하여 예측 경로를 보강한다.
- 본 논문에서는 칼만 필터(Kalman Filter, KF)를 이용하여 소나 데이터의 노이즈를 줄이고 깊이 센서를 이용하여 3차원 좌표 계산을 한다. 그리고 음영지역에서는 SVR (Support Vector Regression)를 이용하여 경로 추정을 한다.
- 이 중에서 비선형 시스템 모델과 정규 분포를 이루는 잡음에 사용 가능하고 시스템 모델을 선형으로 변환하여 사용해 처리가 빠른 확장 칼만 필터를 사용하기로 한다. 비선형 특성이 클수록 오차가 심하다는 단점이 있지만 본 논문에서는 시스템 모델을 알고 있으므로 비선형 특성을 선형 특성으로 변화시킨 후 소나 데이터 노이즈를 제거하도록 한다[13-15].
- 그리고 기존 SVR에서 조건 범위를 일정하게 고정하여 전개하였다. 선형 시스템에서 전개되는 SVR를 비선형 시스템에도 접목하기 위해 커널 함수를 이용하여 고차원 매핑하였으며, 이때 커널 함수에 따라 민감하게 반응을 하는데 이를 알고리즘 적으로 보정을 하였다. 이러한 시스템의 장점으로는 적은 센서 데이터를 이용하여 수중 로봇의 위치가 추정가능하며 SVR을 사용하기에 따로 학습구조를 설계할 필요가 없다.
- 임의의 위치를 목표지점으로 주고 운동체(Plant)가 움직일 경우 측정된 소나 데이터를 이용하여 거리를 측정하는 것이 첫 번째 목표이다. 소나 데이터가 들어올 때 노이즈 및 외란이 발생하기에 확장 칼만 필터를 이용하여 노이즈를 줄이고 신뢰가 되는 데이터를 예측 및 보정을 한다. 그 후 각 센서에서 받은 보정 데이터를 이용하여 운동체의 위치를 계산한다.
- 본 논문은 해양로봇 특화 수조에 들어갈 측위 시스템을 구성하는데 필요한 음영지역 위치 추정을 목적으로 한다. 수중 측위에서 사용 가능한 센서는 극히 제한적이기에 불가피하게 음영지역이 생기는데, 이 음영 지역에서의 위치 추정을 위한 알고리즘을 제안하였다. 우선 신뢰성이 높은 데이터를 얻기 위해 확률 기반으로 예측을 하는 칼만 필터를 접목해서 노이즈를 줄였다.
- 정확한 측위 비교를 위해서 엔코더(Encoder) 오차율이 5 cm 이하인 수조용 이동식 전차를 사용한다. 실험은 직선으로 움직이는 경우와 곡선으로 움직이는 경우를 모두 표현하기 위해 선정한 경로를 이용하며, 시뮬레이션에서 고려하지 못한 상황에 대비를 하기 위한 코드상 알고리즘을 추가로 접목을 하고 확인한다.
- 수중 측위에서 사용 가능한 센서는 극히 제한적이기에 불가피하게 음영지역이 생기는데, 이 음영 지역에서의 위치 추정을 위한 알고리즘을 제안하였다. 우선 신뢰성이 높은 데이터를 얻기 위해 확률 기반으로 예측을 하는 칼만 필터를 접목해서 노이즈를 줄였다. 필터 설계 과정으로 비선형 시스템에 접목을 하기 위해 자코비안을 이용하였으며, 제안한 운동체의 모델링을 통하여 다음 동작을 예상하였다.
- 칼만 필터를 적용하기 위해서는 수중 운동체의 이동 특성을 알아야 하며, 예측을 위해서도 필요하다. 운동체의 모델을 이용하여 어떻게 움직일 것인지 확률판단에 사용하고 소나 센서의 오차 확률을 추가하여 계산을 한다. 칼만필터는 예측단계(Predict)와 보정단계(Update)로 나누어진다.
- 자코비안을 이용하여 상태 변이와 관측 행렬을 정의하며 이전 추정값을 기준으로 하여 계산한다. 여기서 f, h는 미분이 가능한 조건이다.
- 제어기로는 PD 제어기를 사용하였다. 제어기의 출력에 따라 운동체가 목적지로 이동하고 이때 측정되는 센서의 데이터와 필터의 결합을 보여 제안한 필터의 성능을 검증한다.
- 2장에서는 전체 측위 시스템의 구성 방식에 대해 설명하고 3장에서는 센서 노이즈를 줄이기 위한 확장 칼만 필터 설계를 한다. 필터 된 데이터를 이용하여 3차원 좌표를 구한 뒤 4장에서 SVR을 이용하여 음영지역 경로 예측한다. 5장과 6장에서 시뮬레이션과 실험을 통하여 알고리즘을 검증한다.
- 우선 신뢰성이 높은 데이터를 얻기 위해 확률 기반으로 예측을 하는 칼만 필터를 접목해서 노이즈를 줄였다. 필터 설계 과정으로 비선형 시스템에 접목을 하기 위해 자코비안을 이용하였으며, 제안한 운동체의 모델링을 통하여 다음 동작을 예상하였다. 그리고 시스템 행렬에 접목하여 필터 설계를 완료하였고 시뮬레이션을 통해 약 51%의 노이즈 보정 효과를 확인하였다.
- 각 소나 센서는 수조 벽면의 중앙에 위치해 있으며 총 4개로 같은 높이에 구성되어 있다. 필터를 접목한 소나 데이터의 오차는 크지 않으므로 연산의 간소화를 위해 측정된 4개의 데이터 중 가장 큰 데이터를 제외한 3개의 소나 데이터만 이용하여 위치를 계산한다. 각 센서 출력값만큼의 반지름을 가지는 원의 방정식과 교점을 이용하여 위치를 계산한다.
대상 데이터
- 실험에 이용한 센서는 소나 센서와 깊이 센서, 핑어이다. 소나 센서는 NEPTUNE SONAR LIMITED 사의 D/70 모델이다. 구형 트랜스듀서이며 전방향 응답을 받을 수 있는 특징을 가졌다.
- 수조의 크기는 가로 20 m, 세로 45 m, 깊이 8.5 m이며 각 면의 중앙에 소나가 설치되어 있다. 총 4개의 센서를 사용하며 Fig.
- 실험에 이용한 센서는 소나 센서와 깊이 센서, 핑어이다. 소나 센서는 NEPTUNE SONAR LIMITED 사의 D/70 모델이다.
- 실험은 부산광역시 기장군에 위치한 한국생산기술연구원 해양로봇센터에서 진행한다. 해양로봇을 위한 전용 수조로서 구축은 완료되었으며, 수중 및 수면 측위 시스템을 본 논문을 통해 개발한다.
- 샘플링 시간은 핑어와 소나의 데이터 송수신 속도 기준으로 500 ms에 한 번씩 데이터가 들어오게 된다. 제어기로는 PD 제어기를 사용하였다. 제어기의 출력에 따라 운동체가 목적지로 이동하고 이때 측정되는 센서의 데이터와 필터의 결합을 보여 제안한 필터의 성능을 검증한다.
이론/모형
- MATLAB Simulink를 이용하여 시뮬레이션 한다. 소나 센서는 각 벽면에 한 개씩 장착하여 총 4개를 사용하여 x 축과 y 축 위치를 인식하며, z 축은 소나 센서가 아닌 수압 센서를 사용하기로 하여 따로 측정 하지 않기로 한다.
- 그렇기에 IMU 센서 사용은 수중 측위 시스템에서는 사용이 제한된다. 결국 매질에 영향을 받지 않는 음파를 이용한 센서를 이용하여야 하며, 수중에서 대표적으로 사용되는 소나(Sound Navigation And Ranging, SONAR)센서를 사용한다. 보통 소나 센서를 이용하여 운동체와의 거리를 확인하기 위해 최소 3개의 거리 정보를 이용하여 3차원 좌표를 계산한다[6-7].
- 본 논문에서는 칼만 필터(Kalman Filter, KF)를 이용하여 소나 데이터의 노이즈를 줄이고 깊이 센서를 이용하여 3차원 좌표 계산을 한다. 그리고 음영지역에서는 SVR (Support Vector Regression)를 이용하여 경로 추정을 한다. 2장에서는 전체 측위 시스템의 구성 방식에 대해 설명하고 3장에서는 센서 노이즈를 줄이기 위한 확장 칼만 필터 설계를 한다.
- 본 논문에서는 소나 노이즈를 줄이기 위해 칼만 필터를 사용한다. 칼만 필터는 대표적으로 기본 칼만 필터와 기본 필터에서 파생된 무향 칼만 필터(Unscented Kalman Filter, UKF), 확장 칼만 필터(Extended Kalman Filter, EKF)가 있으며 많이 사용된다.
- 칼만 필터를 적용하기 위해서는 수중 운동체의 이동 특성을 알아야 하며, 예측을 위해서는 시스템의 모델링이 필요하다. 본 논문에서는 수중에서 이동의 제약이 적으며 Gertler 다항식이 적용되는, 수중운동체의 일반적인 모양인 유선형의 오딧세이(Odyssey)[16] 타입을 사용한다. 우선 부력 중심, 관성모멘트, 중력 중심, 모멘트 계수 등을 고려한 6자유도 식을 고려하지만 롤(Roll)과 스웨이(Sway) 축의 이동이 제약된 수중 운동체를 사용하므로 4자유도로 줄여지고 식 (1)~(4)와 같다[17].
- 본 논문에서는 커널 함수로 \(K(x,y)=e^{-|x-y|^2/2 \sigma^2}\) 을 만족하는 Gaussian 방사 기저 함수(Gaussian Radial-Basis Funciton)을 사용하였으며 이 커널 함수는 저차원에서 고차원으로 매핑을 할 때에 사용된다.
- 수중 로봇의 위치 측위를 할 경우 커널(Kernel) 함수를 사용하여 비선형 분석 알고리즘으로 사용한다. 본 논문에서는 커널 함수로 \(K(x,y)=e^{-|x-y|^2/2 \sigma^2}\) 을 만족하는 Gaussian 방사 기저 함수(Gaussian Radial-Basis Funciton)을 사용하였으며 이 커널 함수는 저차원에서 고차원으로 매핑을 할 때에 사용된다.
- 필터를 통해 신뢰성이 높은 위치 데이터를 얻었으며, 이를 MFC로 구성된 UI를 통해 사용자에게 보여준다. 음영지역에서 경로 예측을 하기 위해서 SVM을 이용하였다. 소나 센서의 특성과 운용시간 문제로 데이터를 많이 얻지 못하므로 구조적인 접근으로 경로를 예상한다.
성능/효과
- 필터 설계 과정으로 비선형 시스템에 접목을 하기 위해 자코비안을 이용하였으며, 제안한 운동체의 모델링을 통하여 다음 동작을 예상하였다. 그리고 시스템 행렬에 접목하여 필터 설계를 완료하였고 시뮬레이션을 통해 약 51%의 노이즈 보정 효과를 확인하였다. 필터를 통해 신뢰성이 높은 위치 데이터를 얻었으며, 이를 MFC로 구성된 UI를 통해 사용자에게 보여준다.
- y 축으로 이동은 없지만 센서 노이즈만으로도 데이터 오차가 보이는데 지속적인 제어기 동작과 필터 동작으로 목표지점 0 m 근처에서 위치 오차를 보인다.수치적으로 노이즈가 포함된 데이터와 필터 된 데이터의 오차의 평균은 약 51% 개선 됨을 확인하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.