[논문]2차원 라이다 센서 데이터 분류를 이용한 적응형 장애물 회피 알고리즘

이나라; 권순환; 유혜정

doi:10.46670/jsst.2020.29.5.348

문제 정의

기존의 SND 알고리즘과 제안된 장애물 분포 상황 적응형 SND 알고리즘의 성능 비교를 위한 실험을 수행하였다. 기존의 SND 알고리즘에 대해서는 안전거리 D_S가 큰 경우와 작은 경우, 두 가지 실험을 수행하였다.
즉, 환경의 장애물 분포 상황에 따라 장애물 회피에 적합한 D_s가 매우 다르다는 것을 확인 할 수 있다. 따라서, 본 논문에서는 장애물 회피 시작부터 종료까지 동일한 안전거리가 설정되는 기존 SND 알고리즘의 단점을 극복하기 위하여 라이다 센서로부터 획득된 장애물 분포 상황 정보에 따라 안전거리가 변경되는 상황 적응형 알고리즘을 제안한다.
본 논문에서는 SND알고리즘을 이용한 효율적인 장애물 회피를 위해 장애물의 밀도가 높은 환경과 낮은 환경에서 서로 다른 안전거리 설정이 필요하다는 것을 실험을 통해 확인했다. 소프트맥스 회귀 학습을 이용하여 장애물 분포 상황을 일곱 가지 클래스로 분류하고, 분류된 결과로부터 다른 안전거리를 설정할 수 있는 상황 적응형 SND를 제안하였다.
본 논문에서는 실험을 통해 획득된2차원 라이다 (2D LiDAR) 센서 데이터 분석을 통해 안전거리 변수가 SND의 장애물 회피 성능에 미치는 영향을 고찰하고, 각 장애물 분포 상황에 적합한 안전거리 설정의 필요성을 제기한다. 소프트맥스 회귀 알고리즘을 이용하여 2차원 라이다 센서 데이터를 장애물 분포 상황에 따라 분류하고, 분류된 클래스를 이용하여 SND의 안전거리를 계산하는 방법을 제안한다.

제안 방법

2차원 라이다 센서를 이용하여 포인트 클라우드 데이터를 수집한 다음 이를 격자 지도로 변환하여 소프트맥스 회귀 알고리즘을 위한 학습 데이터를 구축하였다. SND 성능과 안전거리 간의 상관관계 분석 실험에서 사용했던 것과 동일한 라이다 센서를 사용하였다.
기존의 SND 알고리즘과 제안된 장애물 분포 상황 적응형 SND 알고리즘의 성능 비교를 위한 실험을 수행하였다. 기존의 SND 알고리즘에 대해서는 안전거리 D_S가 큰 경우와 작은 경우, 두 가지 실험을 수행하였다. 즉, 모두 세 가지 실험이 동일한 장애물 구성 환경에서 수행되었다.
가 설정된 기존 SND 실험이며 장애물 밀도가 적은 상황에서 발생하는 문제를 확인할 수 있다. 두 번째 실험은 작은 안전거리가 설정된 기존 SND 실험이며 통로 환경 즉, 장애물 밀도가 큰 상황에서 발생하는 문제를 확인할 수 있다. 세 번째 실험은 제안된 장애물 분포 상황 적응형 SND 실험이며 변화된 안전거리가 적용되어 부드러운 주행 패턴을 보여주는 것을 확인할 수 있다.
) 이하인 장애물은 당장 회피해야 할 대상으로 인식된다. 본 논문에서 장애물까지의 거리는 2차원 라이다 센서를 통해 획득된 포인트 클라우드 (point cloud) 정보를 이용하여 계산된다.
6(c)는 제안된 장애물 분포 상황 적응형 SND 실험 결과이다. 소프트맥스 학습 모델을 이용하여 주행 중 획득된 2차원 라이다 센서 데이터를 장애물 밀도가 큰 환경과 적은 환경으로 분류한다. 인식된 환경 상황에 따라 다른 D_s가 적용된다.
본 논문에서는 실험을 통해 획득된2차원 라이다 (2D LiDAR) 센서 데이터 분석을 통해 안전거리 변수가 SND의 장애물 회피 성능에 미치는 영향을 고찰하고, 각 장애물 분포 상황에 적합한 안전거리 설정의 필요성을 제기한다. 소프트맥스 회귀 알고리즘을 이용하여 2차원 라이다 센서 데이터를 장애물 분포 상황에 따라 분류하고, 분류된 클래스를 이용하여 SND의 안전거리를 계산하는 방법을 제안한다. 제안된 장애물 분포 상황 적응형 SND 알고리즘이 기존의 ND 기반 알고리즘보다 부드러운 이동액션을 생성할 수 있음을 실험을 통해서 보여준다.
본 논문에서는 SND알고리즘을 이용한 효율적인 장애물 회피를 위해 장애물의 밀도가 높은 환경과 낮은 환경에서 서로 다른 안전거리 설정이 필요하다는 것을 실험을 통해 확인했다. 소프트맥스 회귀 학습을 이용하여 장애물 분포 상황을 일곱 가지 클래스로 분류하고, 분류된 결과로부터 다른 안전거리를 설정할 수 있는 상황 적응형 SND를 제안하였다. 기존 SND와의 성능 비교 실험을 통해 제안된 알고리즘을 이용한 장애물 회피 경로가 기존 SND 알고리즘에 의한 경로보다 부드러운 주행 패턴을 보이며 동시에 목표 지점까지 더 짧은 거리를 이동하여 도달할 수 있다는 것을 확인했다.
실험 II는 장애물이 적은 넓은 환경에서 진행되었으며 장애물은 이동 경로의 좌측과 우측에 각각 하나씩 위치시켰다. Fig.
좁은 통로 환경은 로봇이 주행 중 빈번히 직면할 수 있는 높은 장애물 밀도의 대표적인 예이며 넓은 홀 환경은 장애물 밀도가 낮은 환경에 해당된다. 안전거리와 장애물 밀도 사이의 상관관계 분석을 위한 실험은 좁은 통로와 넓은 홀 환경에서 수행되었다.
이 때, 획득된 360º 전방향의 포인트 클라우드를 모두 사용하지 않고 최대 0.5 m 거리 이내, 전방 180º 범위에 존재하는 포인트 클라우드만을 이용하여 격자 지도를 생성하였다.
첫 번째 실험은 큰 안전거리 D_s가 설정된 기존 SND 실험이며 장애물 밀도가 적은 상황에서 발생하는 문제를 확인할 수 있다. 두 번째 실험은 작은 안전거리가 설정된 기존 SND 실험이며 통로 환경 즉, 장애물 밀도가 큰 상황에서 발생하는 문제를 확인할 수 있다.
최초로 작성된 격자 지도 이미지들을 영역 보간법 (bilinear Interpolation)을 이용하여 보간한 후 임계값을 적용하여 28 × 28 크기로 축소된 특징 이미지로 만들었다.

대상 데이터

실험 I은 좁은 통로 환경에서 수행되었으며 통로의 폭은 0.9 m, 길이는 2 m이다. Fig.
즉, 모두 세 가지 실험이 동일한 장애물 구성 환경에서 수행되었다. 실험 환경은 길이 8 m, 폭 3 m인 복도 환경이며, 환경의 일부는 길이 2 m, 폭 0.9 m인 통로로 구성되었다. 또한, 통로가 끝난 이후 박스형 장애물을 양 쪽에 설치하였다.
실험에 사용된 로봇 베이스는 유진로봇의 Kobuki이다. 로봇의 최대 선 속도는 0.
앞서 정의한 일곱 가지 클래스의 학습을 위하여 각 클래스에 대한 80개 데이터에 장애물이 없는 환경 데이터 80개를 추가하여 총 640개의 데이터를 사용하였다. 학습된 모델의 분류 성능 검증을 위해 학습 데이터와 중복되지 않는 240개의 테스트 데이터를 사용하였다.
175 m이며, 안전거리 D_s는 R의 배수로 설정되었다. 최상단에 SLAMTEC의 2차원라이다센서 RPLIDAR-A3가 탑재되어 있어 장애물까지의 거리 정보 계산을 위한 포인트 클라우드 데이터를 획득한다(Fig. 2).
앞서 정의한 일곱 가지 클래스의 학습을 위하여 각 클래스에 대한 80개 데이터에 장애물이 없는 환경 데이터 80개를 추가하여 총 640개의 데이터를 사용하였다. 학습된 모델의 분류 성능 검증을 위해 학습 데이터와 중복되지 않는 240개의 테스트 데이터를 사용하였다. 분류 성공률의 평균은 약 97.

이론/모형

주행 중 실시간으로 획득되는 2차원 라이다 센서 데이터를 장애물의 분포 상황에 따라 분류하기 위하여 소프트맥스 회귀 알고리즘을 적용하였다. 장애물의 분포 상황에 대한 클래스는 크게 좁은 통로 환경과 같은 ‘장애물 밀도가 높은 환경’과 넓은 홀과 같은 ‘장애물 밀도가 낮은 환경’으로 나눌 수 있다.

성능/효과

100 × 100 픽셀 크기의 초기 격자 지도 보다 보간을 통해 크기를 줄인 28 × 28 픽셀의 특징 이미지가 장애물 분포의 특징을 더 간결하고 명확하게 나타내는 것을 확인할 수 있다.
소프트맥스 회귀 학습을 이용하여 장애물 분포 상황을 일곱 가지 클래스로 분류하고, 분류된 결과로부터 다른 안전거리를 설정할 수 있는 상황 적응형 SND를 제안하였다. 기존 SND와의 성능 비교 실험을 통해 제안된 알고리즘을 이용한 장애물 회피 경로가 기존 SND 알고리즘에 의한 경로보다 부드러운 주행 패턴을 보이며 동시에 목표 지점까지 더 짧은 거리를 이동하여 도달할 수 있다는 것을 확인했다.
67%이며 정면 장애물의 분류 성공률은 90%로 상대적으로 낮은 수치를 갖는다. 꺾인(#2,3) 통로와 정면 장애물(#7)과의 기하학적 모호성으로 인해 두 클래스 모두 상대적으로 낮은 분류 성공률을 보였고 특히 정면 장애물의 경우 꺾인 통로에 비해 특징이 적어 더 낮은 분류 성공률을 보이는 것을 확인했다.
따라서, 좁은 통로 환경에서는 큰 D_s와 유사한 이동 경로를 보이며 넓은 환경에서는 작은 D_s와 유사하지만 방향의 변화가 적은 부드러운 이동 경로를 보인다. 따라서, 기존 SND 알고리즘에 비해 상대적으로 단 거리를 주행하여 목표 지점에 도달할 수 있었다. 즉, 제안된 상황 적응형 SND 알고리즘을 이용하여 장애물 회피 성능이 주행 거리와 주행 패턴 측면에서 향상되었다는 것을 확인할 수 있다.
통로의 폭보다 D_s 작은 경우에는 불규칙하고 급격한 움직임을 보였다. 반면, 통로의 폭과 비슷한 D_s=2R에서 D_s=15R로 증가할수록 최종 목표 지점에 도달하는 데에 걸리는 시간이 감소하며 차이가 급격하지 않은 부드러운 주행 패턴을 확인할 수 있다. 이를 통해 장애물의 밀도가 높은 환경에서는 D_s가 커야 부드러운 주행 패턴을 생성할 수 있다는 사실을 확인할 수 있다.
두 번째 실험은 작은 안전거리가 설정된 기존 SND 실험이며 통로 환경 즉, 장애물 밀도가 큰 상황에서 발생하는 문제를 확인할 수 있다. 세 번째 실험은 제안된 장애물 분포 상황 적응형 SND 실험이며 변화된 안전거리가 적용되어 부드러운 주행 패턴을 보여주는 것을 확인할 수 있다.
즉, 실험 환경은 두 종류의 장애물 분포 클래스가 연속적으로 결합된 환경이며 효율적인 장애물 회피를 위해 각각 다른 D_S 가 설정되어야 한다. 이 환경에서의 실험 결과를 통해 고정된 D_S를 설정하여 사용하는 기존의 SND와 장애물 분포 상황을 인식하여 D_S를 변화시키는 제안된 상황 적응형 SND의 성능을 비교할 수 있다. 이때, D_S는 두 종류의 장애물 분포 클래스에 따라 미리 설정된 두 개의 값들 중 하나로 변경된다.
소프트맥스 회귀 알고리즘을 이용하여 2차원 라이다 센서 데이터를 장애물 분포 상황에 따라 분류하고, 분류된 클래스를 이용하여 SND의 안전거리를 계산하는 방법을 제안한다. 제안된 장애물 분포 상황 적응형 SND 알고리즘이 기존의 ND 기반 알고리즘보다 부드러운 이동액션을 생성할 수 있음을 실험을 통해서 보여준다.
따라서, 기존 SND 알고리즘에 비해 상대적으로 단 거리를 주행하여 목표 지점에 도달할 수 있었다. 즉, 제안된 상황 적응형 SND 알고리즘을 이용하여 장애물 회피 성능이 주행 거리와 주행 패턴 측면에서 향상되었다는 것을 확인할 수 있다.
이 결과를 통해서 만약 실험 I의 통로 환경에 대하여 적용했던 큰 D_s를 실험 II 환경에도 동일하게 적용한다면 로봇은 성공적으로 목표 지점에 도달하기 어렵다. 즉, 환경의 장애물 분포 상황에 따라 장애물 회피에 적합한 D_s가 매우 다르다는 것을 확인 할 수 있다. 따라서, 본 논문에서는 장애물 회피 시작부터 종료까지 동일한 안전거리가 설정되는 기존 SND 알고리즘의 단점을 극복하기 위하여 라이다 센서로부터 획득된 장애물 분포 상황 정보에 따라 안전거리가 변경되는 상황 적응형 알고리즘을 제안한다.

후속연구

향후 추가 연구를 통해 한 번에 획득된 2차원 라이다 센서 데이터에 존재하는 장애물의 개수 및 그들 사이의 간격을 안전거리 설정에 반영할 수 있는 방법을 개발할 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

2차원 라이다 센서 데이터 분류를 이용한 적응형 장애물 회피 알고리즘
Adaptive Obstacle Avoidance Algorithm using Classification of 2D LiDAR Data 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (17)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

2차원 라이다 센서 데이터 분류를 이용한 적응형 장애물 회피 알고리즘 Adaptive Obstacle Avoidance Algorithm using Classification of 2D LiDAR Data 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (17)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

2차원 라이다 센서 데이터 분류를 이용한 적응형 장애물 회피 알고리즘
Adaptive Obstacle Avoidance Algorithm using Classification of 2D LiDAR Data 원문보기

AI 본문요약
AI-Helper