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
- MPC 경로 추종 실험을 시뮬레이터를 이용한 가상 환경과 실제 로봇을 이용하여 실내에서 진행하였다 본 연구에서는 경로 추종에 많이 사용되는 pure pursuit 알고리즘[20]을 대조군으로 선정하고, 횡방향 트랙 오차, 방향 오차, 전방 속도 변화로 추종 성능을 판단하고, 추종한 경로, 주행 방식 등을 비교하여 서비스나 물류 모바일 로봇에서 MPC 경로 추종이 적합한지에 대해 평가한다. 참고로, pure pursuit 알고리즘은 별도의 속도 프로파일 생성기가 없으며, 모델의 운동방정식을 이용하지 않는다.
- 차동 구동형 모바일 로봇의 두 구동륜은 개별적인 모터에 의해 독립적으로 구동하여 직진 주행과 회전을 수행한다. 본 연구에서는 차동 구동형 모바일 로봇의 네비게이션을 위한 비선형 모델 예측 제어(Model Predictive Control)에 기반한 경로 추종(path tracking) 알고리즘을 제안한다.
가설 설정
- 요우각(yaw) θ는 두 바퀴의 중심에서 x축에 대한 로봇의 진행 방향으로 표시된다[12]. 좌륜과 우륜은 각각 vL, vR의 속도를 지니며, 사이드 슬립이 없다는 가정 하에, 모바일 로봇의 진행 방향 속도는 v = (vL +vR)/2로 주어진다.
제안 방법
- GAZEBO를 이용하여 [Fig. 8]과 같은 형태의 가상 로봇과 주행 환경 환경을 구성하였다. 주어진 가상 환경에 대해 SLAM 알고리즘인 G-mapping을 활용하여 네비게이션에서 사용할 지도를 생성하였다[22].
- 본 연구에서는 ROS의 네비게이션 스택을 활용하여 로컬 플래너 부분을 MPC 경로 추종기로 대체하였다. MPC의 최적화 가중치 중 횡방향 트랙 오차와, 방향 오차에 우선순위를 두고 가상 환경과 실제 환경에서 pure pursuit 경로 추종 알고리즘과 비교하여 실험을 진행하였다. 실험은 저속과 고속, 완만한 환경과 굴곡이 심한 환경에서 진행하였다.
- Ubuntu 16.04에서 ROS kinetic 버전을 이용하였고, MPC 비선형 최적화 문제는 오픈 소스 소프트웨어 패키지인 IPOPT(Internal Point Optimizer)[19]를 사용하여 해결하였다.
- [Fig. 14], [Fig. 15]와 같이 실제 공간에 장애물 3개를 부등간격으로 배치하고 이 환경에서 네비게이션을 수행하였다.
- [Table 4]에서 주어진 두가지 환경에 대해서 목표 속도를 0.8 m/s로 지정하여 굴곡이 완만한 환경(gentle bent)와 굴곡이 심한 환경(severe bent)에서 진행하였다. 완만한 환경에서 주행 시간은 MPC, pure-pursuit 모두 42초, 굴곡이 심한 환경에서는 MPC는 37초, pure-pursuit 은 24초 소요되었다.
- 0) 시뮬레이터에서 구현하고 진행하였다[21]. 가상 환경에서 경로 추종과 네비게이션 시뮬레이션을 각각 수행하였다.
- 본 연구는 차동 구동형 모바일 로봇의 네비게이션을 위해 경로 추종 알고리즘으로 비선형 MPC를 적용하였을 때의 장점을 보이기 위해 가상 환경과 실제환경에서 네이게이션 실험을 진행하였다. 경로 추종 문제에 MPC를 적용하기 위해서 횡방향 트랙 오차, 방향 오차를 추가한 상태 변수를 지정하여, 로봇의 비선형 운동방정식을 도출하였다. 또한, 다양한 성능을 포함한 비용 함수와 제약 조건을 통해 최적화 문제를 정의하였다.
- 경로 추종 문제에 적용하기 위해서, 횡방향 트랙오차(cross track error) d, 방향 오차(orientation error) η를 상태 변수에 추가하였다.
- MPC의 최적화 가중치는 [Table 1]과 같이 설정하였다. 경로 추종 성능을 우선 시하여 우선순위를 횡방향 트랙오차, 방향오차에 중심을 두었으며, 빠른 주행을 위하여 진행 방향 속도오차를 중요하게 두었다. 또한 급작스러운 변화를 방지하기 위하여 요우각 가속도와 저크(jerk)에 대한 가중치를 고려하였다.
- 일반적으로 로컬 플래너의 역할은 DWA (Dynamic Window Approach)[16]와 같이 일정 범위 내의 동적 장애물을 회피하여 새로운 경로를 만들고 추종하는 것에 초점을 둔다[17]. 그러나 본 연구에서는 비선형 MPC 기반의 로컬 플래너가 글로벌 플래너가 생성한 경로를 추종하면서 최적조건을 따르는 로봇의 입력을 생성하도록 하였다.
- 네비게이션 성능을 살펴보기 전에 단독으로 경로 추종 성능 만을 파악하기 위해서, 비선형 MPC와 pure pursuit 만을 사용하여 미리 지정해 놓은 사각형의 경로를 잘 추종하는지 확인하였다. 경로 추종에 사용되는 MPC와 pure pursuit의 파라미터는 직진 구간을 동일한 시간에 주파하도록 [Table 2]와 같이 설정하였다.
- Pure-pursuit 경로 추종의 경우, 전방 주시 거리가 가장 중요한 파라미터가 된다. 따라서, pure pursuit의 전방 주시 거리만 0.4-1.6 m까지 0.2 m 단위로 변경하여 굴곡이 심한 환경에서 고속(vref=1.6 m/s) 네비게이션을 수행하였으며, [Fig. 13]은 이에 따른 이동경로를 보여준다.
- 경로 추종 성능을 우선 시하여 우선순위를 횡방향 트랙오차, 방향오차에 중심을 두었으며, 빠른 주행을 위하여 진행 방향 속도오차를 중요하게 두었다. 또한 급작스러운 변화를 방지하기 위하여 요우각 가속도와 저크(jerk)에 대한 가중치를 고려하였다.
- 경로 추종 문제에 MPC를 적용하기 위해서 횡방향 트랙 오차, 방향 오차를 추가한 상태 변수를 지정하여, 로봇의 비선형 운동방정식을 도출하였다. 또한, 다양한 성능을 포함한 비용 함수와 제약 조건을 통해 최적화 문제를 정의하였다. 본 연구에서는 ROS의 네비게이션 스택을 활용하여 로컬 플래너 부분을 MPC 경로 추종기로 대체하였다.
- 로봇의 2차원 평면 상에서의 위치(x, y) 및 전방 속도 v, 요우각 θ를 상태 변수로 지정하고, 전방가속도 a와 회전 각속도 ω를 제어 입력 u로 지정하였다.
- n은 장애물의 개수이다. 목표 속도가 저속(vref=0.8 m/s)인 경우, 목표 속도가 고속(vref=1.6 m/s) 실험, pure pursuit 알고리즘의 전방 주시 거리 변화에 따른 시뮬레이션을 수행하였다.
- 본 연구는 차동 구동형 모바일 로봇의 네비게이션을 위해 경로 추종 알고리즘으로 비선형 MPC를 적용하였을 때의 장점을 보이기 위해 가상 환경과 실제환경에서 네이게이션 실험을 진행하였다. 경로 추종 문제에 MPC를 적용하기 위해서 횡방향 트랙 오차, 방향 오차를 추가한 상태 변수를 지정하여, 로봇의 비선형 운동방정식을 도출하였다.
- 또한, 다양한 성능을 포함한 비용 함수와 제약 조건을 통해 최적화 문제를 정의하였다. 본 연구에서는 ROS의 네비게이션 스택을 활용하여 로컬 플래너 부분을 MPC 경로 추종기로 대체하였다. MPC의 최적화 가중치 중 횡방향 트랙 오차와, 방향 오차에 우선순위를 두고 가상 환경과 실제 환경에서 pure pursuit 경로 추종 알고리즘과 비교하여 실험을 진행하였다.
- 본 연구에서는 주어진 경로에 대해서 온라인으로 경로를 수정하면서 궤적(trajectory)를 생성하도록 계층 이동공간 제어기(hierarchical receding horizon controller)로서 MPC를 활용하였다[14].
- 본 연구에서는 차동 구동 모바일 로봇에 MPC를 접목시켜 경로 추종을 수행하고, 시뮬레이션 및 실제로 모바일 로봇을 구동할 수 있는 환경을 구성하여 실험을 진행하였다. 환경 구성을 위해 ROS (Robot Operating System)[11]의 네비게이션 스택(navigation stack)을 활용하여, MPC로 경로 추종을 수행하도록 로컬 플래너(local planner)를 구성하였다.
- . 비선형 MPC로 경로 추종을 구현하기 위해 로컬 플래너 부분을 MPC 경로 추종기로 [Fig. 4]와 같이 구현하였다. 이렇게 구현함으로써, 기존의 네비게이션 스택이 제공하는 위치 결정(localization), 지도 서비스와 글로벌 플래너 등을 그대로 사용할 수 있다.
- 실제 주행 네비게이션은 목표 속도를 0.8-1.4 m/s까지 0.2 m/s 단위로 변경하여 속도에 따른 주행가능성 및 MPC와 Pure pursuit의 성능을 비교하였다.
- MPC의 최적화 가중치 중 횡방향 트랙 오차와, 방향 오차에 우선순위를 두고 가상 환경과 실제 환경에서 pure pursuit 경로 추종 알고리즘과 비교하여 실험을 진행하였다. 실험은 저속과 고속, 완만한 환경과 굴곡이 심한 환경에서 진행하였다. 두 알고리즘 모두 저속과 고속에서 완만한 환경 경로를 잘 추종했으나, 굴곡이 심한 환경을 고속으로 주행한 경우 MPC는 굴곡의 정도에 따라 완만할 경우 목표 속도로, 심할 경우 저속으로 속도 조절하여 안정적으로 경로를 통과하는 반면 pure pursuit은 모든 경로에 전방 주시 거리만큼의 지점을 바라보며 목표속도로 주행하기 때문에 경로 추종 중 충돌이 발생하였고, 이는 전방 주시 거리를 변경함으로 해결할 수 있다.
- 본 연구에서는 차동 구동 모바일 로봇에 MPC를 접목시켜 경로 추종을 수행하고, 시뮬레이션 및 실제로 모바일 로봇을 구동할 수 있는 환경을 구성하여 실험을 진행하였다. 환경 구성을 위해 ROS (Robot Operating System)[11]의 네비게이션 스택(navigation stack)을 활용하여, MPC로 경로 추종을 수행하도록 로컬 플래너(local planner)를 구성하였다. 2장에서는 연구에 사용된 차동 구동 로봇을 설명하고, 모델 파라미터를 기술하였다.
대상 데이터
- 5 mm, 윤거 W는 530 mm이다. ROS 구동을 위하여 Intel Celeron J4105을 장착한 Odroid H2(하드커널사, 대한민국)를 사용하였고, 라이더는 Sick사 Tim561을 장착하였다.
- 로봇의 전체 크기는 620 mm × 550 mm × 370 mm, 구동륜의 반지름 R은 101.5 mm, 윤거 W는 530 mm이다.
- 본 연구에 사용된 차동 구동형 로봇[Fig. 1]은 휠이 결합된 BLDC 모터 2개(PEWM-01, Pei Scooter사, China)를 구동부로 사용하고, 앞/뒤에 캐스터가 부착되어 있다. 평상시에는 구동륜과 후륜 캐스터를 통하여 3륜 접촉이 이루어진다.
- 본 연구에서는 ROS에서 제공하는 네비게이션 스택을 활용하여 구성하였다[15]. 비선형 MPC로 경로 추종을 구현하기 위해 로컬 플래너 부분을 MPC 경로 추종기로 [Fig.
이론/모형
- 본 연구에서의 MPC를 포함한 로컬 플래너는 장애물을 인식하고 회피하는 문제를 고려하지 않았기 때문에 글로벌 플래너가 A* 알고리즘[18]을 사용하여 장애물이 반영된 지도에 대해서 목표지점까지의 경로를 잦은 간격(1초)으로 생성한다. 로컬 플래너는 글로벌 플래너가 생성한 경로 중 로봇이 이동하는 위치를 기준으로 전방 5 m 까지의 경로를 통해 궤적을 생성하고, 로봇의 가속도 a와 회전속도 ω를 산출한다.
- 8]과 같은 형태의 가상 로봇과 주행 환경 환경을 구성하였다. 주어진 가상 환경에 대해 SLAM 알고리즘인 G-mapping을 활용하여 네비게이션에서 사용할 지도를 생성하였다[22].
- 이미, 모바일 로봇에도 MPC 기법들이 많이 적용되어 왔다. 특히 Ackermann 조향 메커니즘으로 구동되는 바이시클 모델에 적용되었다[5-7]. 차동 구동 모델에도 연구되었지만, 원, 무한루프 형태의 완만한 곡선의 경로 추종 실험만 진행 되었고, 급격한 변화를 가진 경로에 대한 실험과 실제 환경에서의 네비게이션 실험은 진행되지 않았다[8-10].
성능/효과
- 실험은 저속과 고속, 완만한 환경과 굴곡이 심한 환경에서 진행하였다. 두 알고리즘 모두 저속과 고속에서 완만한 환경 경로를 잘 추종했으나, 굴곡이 심한 환경을 고속으로 주행한 경우 MPC는 굴곡의 정도에 따라 완만할 경우 목표 속도로, 심할 경우 저속으로 속도 조절하여 안정적으로 경로를 통과하는 반면 pure pursuit은 모든 경로에 전방 주시 거리만큼의 지점을 바라보며 목표속도로 주행하기 때문에 경로 추종 중 충돌이 발생하였고, 이는 전방 주시 거리를 변경함으로 해결할 수 있다. 하지만 변경한 전방 주시 거리로 저속일 때 혹은 완만한 환경에서 주행 시 충돌이 발생하였다.
- 이는 실제 모바일 로봇이 쓰이는 사람이 많은 곳과 물류창고와 같은 유동적으로 변하는 환경에서 안정적인, 효과적인 주행이 가능하다는 것을 의미한다. 또한 경로 추종 성능이 우수하고, 연산 시간의 일관성, 감축이 있으며 최적화 가중치 설정이 비교적 직관적이고 쉬워 모바일 로봇의 원하는 성능을 유도하기 용이하다.
- [Table 7], [Table 8]을 정리하면, MPC의 경우는 목표 속도가 변함에 따라 추종 성능의 저하가 발행하지만, pure pursuit에 비해 크지 않았으며 실험한 모든 목표 속도에서 충돌없이 경로를 잘 추종하는 것을 볼수 있다. 또한 시뮬레이션에서 살펴본 것처럼 MPC는 비인과성(non-causality)을 지니므로, 코너 전에 미리 감속하여 횡방향 트랙 오차를 최소화하는 경향을 보였다. 이러한 경향은 비용 함수의 가중치를 어떻게 설정하는지에 따라 달라질 수 있다.
- 시뮬레이션 결과를 요약하면, pure pursuit은 주어진 속도로 주행하므로, 경로를 완주한 경우에는 시간이 적게 소요되었지만, 다양한 조건에서 고정된 파라미터로 효과적으로 주행하지 못하였다. 반면에 MPC의 경우, 목표 속도를 높게 설정하면 지도에 따라 안정된 구간에서만 높은 속도로 주행하고 굴곡이 심한 구간에서는 저속으로 안정적으로 주행하므로 고정된 파라미터로 다양한 조건에서 효과적으로 주행할 수 있다.
- 8 m/s로 지정하여 굴곡이 완만한 환경(gentle bent)와 굴곡이 심한 환경(severe bent)에서 진행하였다. 완만한 환경에서 주행 시간은 MPC, pure-pursuit 모두 42초, 굴곡이 심한 환경에서는 MPC는 37초, pure-pursuit 은 24초 소요되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.