[논문]드론 자율비행 기술 동향

김수성; 정성구; 차지훈

doi:10.22648/etri.2021.j.360201

드론 자율비행 기술 동향
Survey on Developing Autonomous Micro Aerial Vehicles 원문보기

전자통신동향분석 = Electronics and telecommunications trends, v.36 no.2, 2021년, pp.1 - 11

김수성 (자율비행연구실) , 정성구 (자율비행연구실) , 차지훈 (자율비행연구실)

Abstract ▼ AI-Helper

As sensors such as Inertial Measurement Unit, cameras, and Light Detection and Rangings have become cheaper and smaller, research has been actively conducted to implement functions automating micro aerial vehicles such as multirotor type drones. This would fully enable the autonomous flight of drones in the real world without human intervention. In this article, we present a survey of state-of-the-art development on autonomous drones. To build an autonomous drone, the essential components can be classified into pose estimation, environmental perception, and obstacle-free trajectory generation. To describe the trend, we selected three leading research groups-University of Pennsylvania, ETH Zurich, and Carnegie Mellon University-which have demonstrated impressive experiment results on automating drones using their estimation, perception, and trajectory generation techniques. For each group, we summarize the core of their algorithm and describe how they implemented those in such small-sized drones. Finally, we present our up to date research status on developing an autonomous drone.

주제어

표/그림 (10)

그림 그림 1 펜실베이니아 대학의 자율비행드론[4]
그림 그림 2 (a) 다양한 가속도 입력에 대한 궤적들, (b) 궤적생성에 사용된 가지의 종점 및 생성 궤적[3]
그림 그림 3 ETHZ ASL의 자율비행드론
그림 그림 4 (a) ESDF 작성 예, (b) ESDF로 작성한 topological graph (파란색 선)
그림 그림 5 카네기 멜론 대학의 자율비행드론[16]
그림 그림 6 비행방향을 계산하기 위해 활용한 35개 방향 각각에 대한 1,225개의 궤적을 전부 표현함(총 42,875개의 궤적)[16]
그림 그림 7 ETRI에서 개발 중인 자율비행드론
그림 그림 8 LiDAR와 IMU 센서융합을 통한 측위 결과. 포인트 클라우드는 지형지물을, 파란색 원은 드론의 위치를 나타냄
그림 그림 9 빨간색 선은 경로계획 결과, 파란색 점은 선택된 경로점, 녹색 선은 비행궤적을 나타냄. 흰 점들은 환경인지의 결과로 장애물을 나타냄
그림 그림 10 다양한 시작점 및 도착점에 대한 자율비행드론 실험결과를 위성사진 위에 표현함. 노란색 선은 목표 비행궤적을, 검은색 선은 실제 비행궤적을 나타냄

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

2018년도에 수행된 이 프로그램의 2단계에서는 드론이 GPS나 전파 표지(Radio Beacon)를 사용하지 않는 조건에서 빌딩, 나무 등이 있는 실외장애물 환경에서 사전에 정의된 지점을 방문하고 원위치로 복귀하는 실외 임무, 그리고 실내 탐색, 계단 비행, 창문 통과, 자동 탈출을 포함하는 실내 임무를 가장 빠르게 수행하는 드론을 개발하는 것을 목표로 하였다. 이 절에서는 이 프로그램에서 가장 우수한 성과를 보인 미국 University of Pennsylvania(UPenn) 연구그룹이 개발한 자동 비행 드론에 관해 기술한다(그림 1).
본 고에서는 국내외 자율비행드론 연구 동향을 관련 분야 우수 연구기관의 연구 현황 파악을 통해 살펴보았다. UPenn, ETH, CMU 등 우수 연구 기관들은 모두 자체적으로 측위, 환경인지, 장애물 회피 궤적생성을 위한 소프트웨어 및 하드웨어를 구축하고, 이를 자율비행드론 개발에 활용하는 것을 알 수 있었다.
본 고에서는 앞서 기술한 측위, 환경인지, 경로계획을 위한 알고리즘, 소프트웨어, 하드웨어 구성을 자체적으로 수행하여 자율임무 드론 연구에서 좋은 성과를 보인 미국 University of Penn- sylvania의 GRASP(General Robotics, Automation, Sensing, and Perception) 연구실, 스위스 ETH Zurich의 Autonomous Systems Lab, 그리고 미국 Carnegie Mellon 대학의 Field Robotics Center의 연구 동향을 살피고, 마지막으로 한국전자통신연구원 자율비행연구실에서 수행한 자율비행드론 연구 현황을 소개한다.
특히, CMU에서는 측위 및 환경인지에서 LiDAR를 활발하게 사용한다는 점에서 카메라를 주로 사용한 UPenn, ETH의 자율비행드론 연구와 차이를 보인다. 이 절에서는 CMU 연구진들이 어떤 방식을 통해 LiDAR를 활용하여 자율비행드론의 측위, 환경인지, 그리고 궤적생성을 수행하였는지에 대해 다룬다.

가설 설정

하지만 이 방식에서는 드론의 동역학이 2차 선형시스템이라 가정하였으며, 가속도 입력 값들이 가지의 끝에서 불연속이기 때문에 생성된 비행궤적의 고계도 값들이 불연속하여 드론에 바로 적용하면 좋은 비행 성능을 얻을 수 없다. 따라서 Kinodynamic 경로계획을 통해 얻은 궤적의 주요 가지 종점들을 경로점(Waypoint)으로 삼고, 이 경로 점들을 부드럽게 이을 수 있는 최종 궤적을 다항식을 이용해 생성하여 비행에 활용하는 방식을 취하였다.

제안 방법

및 주요 경로점 선택, 2) 주요 경로점을 잇는 궤적생성의 두 단계로 나누어 수행하였다. 우선 1단계인 장애물 회피 경로계획은 A* 최단 거리 경로계획에 기반하여 구성하였다.
CMU 연구진은 IMU와 카메라를 융합한 VIO보다 더욱 정밀하고 강건한 측위 모듈을 구성하기 위해 IMU, 카메라에 다채널 LiDAR를 추가하여 총 3개의 센서를 융합한 측위 시스템을 구성하였다 [14].
3단계에서 특징적인 부분은 LiDAR 정합 부분에 있다. CMU 연구진은 LiDAR 데이터의 특징점을 모서리점과 평면점로 나누어 뽑아내는데, 이렇게 특징점을 사용하는 방식을 통해 모든 포인트 클라우드를 한꺼번에 처리하는 것보다 데이터 처리 면에서 이점이 있고, 서로 다른 기하학적 특성인 모서리점과 평면점을 각각 처리함으로써 정밀한 정합을 위한 보정치를 계산하였다[15].
ETH 연구진은 시설물 검사에 활용하기 위해 550급 드론 플랫폼을 활용하여 자율비행 드론을 제작하였다. 미션 컴퓨터로는 Intel NUC를 사용하였으며, 측위 및 장애물 탐지를 위한 센서로 스테레오 카메라(Aptina MT9V034)와 IMU(ADIS 16448)가 결합된 vi-sensor[12] 모듈을 제작하고, 동기화된 IMU와 영상 데이터를 얻어 측위에 사용하였다.
UPenn 연구진은 FLA 프로젝트에 참가하기 위해 250급 드론 플랫폼을 활용하여 자율비행 드론을 제작하였다. 드론의 미션 컴퓨터로 Nvidia사의 TX2를 사용하여 궤적생성, VIO, 환경인지 연산을 수행하였으며, 측위 및 장애물 탐지를 위한 센서로 스테레오 카메라(Python 1300), IMU(Vector- Nav VN-100), 그리고 이들의 동기화 및 영상 전송을 담당하는 FPGA(Field Programmable Gate Array) 인 Intel Cyclone V GT가 결합된 OVC(Open Vision Computer)라는 센서 모듈을 제작하여 활용하였다[4].
최적 문제를 푸는 방식으로 측위를 수행하는 대부분의 경우 Reprojection error를 최소화할 수 있는 영상 내 특징점의 3차원 공간상 위치와 카메라의 위치 및 자세를 동시에 풀어내는 Bundle adjustment 기법을 사용하는데 반해, 본 연구에서는 LiDAR로부터 얻은 특징점의 깊이 데이터를 바탕으로 영상 특징점의 3차원 위치가 알려져 있다. 가정하고 카메라의 위치 및 자세만을 계산하는 최적 문제를 정식화해 측위에 사용하였다. 이를 통해 최적 문제에서 계산해야 할 변수의 수가 크게 줄어들어 IMU 및 영상 융합을 빠르게 수행할 수 있었다고 한다.
우선 실내에서는 RGB-D 카메라에서 측정한 깊이 지도를 이용해 장애물 탐지에 활용하였고, 태양 빛의 영향으로 RGB-D 카메라가 잘 작동하지 않는 실외 환경에서는 스테레오 영상을 가지고 깊이 지도를 추정해 실외 장애물 탐지를 수행하였다[2]. 드론에서 측정 및 추정한 깊이 지도는 드론의 위치와 자세 추정치를 이용해 3차원 고정좌표계상의 장애물 위치로 등록하여 3차원 장애물 지도를 작성하고 이를 장애물 회피 경로계획에 사용하였다.
제작하였다. 드론의 미션 컴퓨터로 Nvidia사의 TX2를 사용하여 궤적생성, VIO, 환경인지 연산을 수행하였으며, 측위 및 장애물 탐지를 위한 센서로 스테레오 카메라(Python 1300), IMU(Vector- Nav VN-100), 그리고 이들의 동기화 및 영상 전송을 담당하는 FPGA(Field Programmable Gate Array) 인 Intel Cyclone V GT가 결합된 OVC(Open Vision Computer)라는 센서 모듈을 제작하여 활용하였다[4]. 실내 장애물 탐지를 위한 RGB-D 카메라 (PMD Monstar)를 별도로 장착하여 활용하였다.
이런 상황에서, 사용자가 설정한 경로대로 수색이나 산업시설물 검사와 같은 임무를 수행하기 위해, 임무 공간에 대한 전역적 지도를 만들고 이 지도 내에서 드론의 위치를 파악하고 정확히 이동시키는 기능이 요구된다. 따라서 ASL 연구진은 사전에 비행 장소를 이동하며 영상 및 IMU 데이터베이스를 만들고, 이 데이터를 가지고 ROVIO 를 구동시켜 얻은 Keyframe 및 특징점의 3차원 좌표를 Pose graph화한 후[7] Bundle adjustment를 통한 Pose graph 최적화 과정을 거쳐 최종적으로 임무 공간에 대한 전역적 포인트 클라우드 지도를 작성하는 기술을 개발하였다[8]. 따라서 드론을 실제 임무에 투입하였을 때 ROVIO를 구동시키며 얻은 특징점의 좌표들과 사전에 구축한 지도의 포인트 클라우드를 비교하여 전역적 지도에서의 측위를 수행한다.
따라서 Kinodynamic 경로계획을 통해 얻은 궤적의 주요 가지 종점들을 경로점(Waypoint)으로 삼고, 이 경로 점들을 부드럽게 이을 수 있는 최종 궤적을 다항식을 이용해 생성하여 비행에 활용하는 방식을 취하였다.
LiDAR의 포인트 클라우드 데이터는 5Hz 정도의 느린 속도로 얻을 수 있는데, 드론이 급격하게 기동하는 경우 LiDAR 데이터 입력 사이에도 드론의 변위가 크게 된다. 따라서 LiDAR 데이터가 입력되는 시간 사이의 상태변화는 2단계에서 IMU와 카메라를 융합해 추정한 측위 결과를 활용하며, LiDAR 데이터가 입력되었을 때 3단계에서 IMU와 카메라를 이용한 측 위 결과와 LiDAR 데이터를 모두 융합하여 강건한 측 위치를 계산한다.
따라서 ASL 연구진은 사전에 비행 장소를 이동하며 영상 및 IMU 데이터베이스를 만들고, 이 데이터를 가지고 ROVIO 를 구동시켜 얻은 Keyframe 및 특징점의 3차원 좌표를 Pose graph화한 후[7] Bundle adjustment를 통한 Pose graph 최적화 과정을 거쳐 최종적으로 임무 공간에 대한 전역적 포인트 클라우드 지도를 작성하는 기술을 개발하였다[8]. 따라서 드론을 실제 임무에 투입하였을 때 ROVIO를 구동시키며 얻은 특징점의 좌표들과 사전에 구축한 지도의 포인트 클라우드를 비교하여 전역적 지도에서의 측위를 수행한다.
과다하게 소모된다. 따라서 비행체에서 일정 거리 이상에 위치한 포인트 클라우드는 제거하며, 격자 필터를 활용하여 장애물을 나타내는 포인트 클라우드의 수를 일정 수 이하로 관리하는 방식을 사용하였다.
있다[16]. 매 시점 선택 가능한 35가지 비행 방향을 사전에 정의하였으며, 각 비행방향을 택했을 때 장애물 센서 탐지 영역 내에서 비행 가능한 1,225 개의 궤적들도 그림 6과 같이 미리 만들어 놓았다. 비행 시에는 각 비행방향을 택했을 때 비행 가능한 각각의 비행궤적에 대해 장애물 충돌 여부, 목적지까지 비행 성공 가능성을 평가한 후 전체 궤적에 대한 종합점수를 매겨 가장 좋은 비행방향을 지속적으로 선택하는 과정을 반복한다.
EKF의 예측 부분은 IMU에서 얻은 가속도 및 각속도 값을 이용하여 수행한다. 보정은 다채널 LiDAR에서 얻는 포인트 클라우드를 분석하여 수행하는데, LiDAR 스캔이 이루어졌을 때 EKF에서 추정한 LiDAR의 위치 및 자세를 초기조건으로 하여, 스캔이 이루어졌을 때까지 누적한 포인트 클라우드 특징점 지도와 LiDAR 로부터 새로 얻은 포인트 클라우드 특징점을 점 대면(Point to Plane) ICP(Iterative Closest Point) 알고리즘을 통해 정합하고 누적시키며, 정합에 사용한 LiDAR의 위치 및 자세 보정치를 이용해 EKF의 보정을 수행하는 방식을 취하였다.
있다. 상태추정 모듈은 3차원 공간상에서 비행하는 드론의 위치와 자세를 IMU와 이를 보조할 수 있는 카메라 등 다양한 센서 융합을 통해 실시간으로 추정하여 드론의 기본적 비행이 가능하도록 한다. 환경인지 모듈은 추정된 상태와 LiDAR, RGB- D(Depth) 카메라 등 센서 정보의 처리를 통해 드론 주위의 환경·장애물 지도를 생성한다.
측위, 환경인지, 궤적생성 모듈을 위한 센서로, 다채널 LiDAR인 Velodyne VLP-16, 640×360 카메라, MEMS 기반 IMU를 사용하였다. 센서 값들을 융합하고, 비행 궤적을 생성하는 컴퓨터는 3.1GHz i7 기반 소형 컴퓨터를 사용하였으며 DJI Ronin MX 짐벌을 활용해 드론 기동에 의한 자세 변화에 독립적으로 센서 및 컴퓨터의 자세를 제어할 수 있도록 하였다. CMU의 측위, 정밀 환경 지도구축 및 장애물회피 비행 결과는 참고문헌 [16]에서 확인할 수 있다.
드론의 미션 컴퓨터로 Nvidia사의 TX2를 사용하여 궤적생성, VIO, 환경인지 연산을 수행하였으며, 측위 및 장애물 탐지를 위한 센서로 스테레오 카메라(Python 1300), IMU(Vector- Nav VN-100), 그리고 이들의 동기화 및 영상 전송을 담당하는 FPGA(Field Programmable Gate Array) 인 Intel Cyclone V GT가 결합된 OVC(Open Vision Computer)라는 센서 모듈을 제작하여 활용하였다[4]. 실내 장애물 탐지를 위한 RGB-D 카메라 (PMD Monstar)를 별도로 장착하여 활용하였다. 앞서 기술한 모든 소프트웨어는 오픈소스로 공개되어 있다.
비행 시에는 각 비행방향을 택했을 때 비행 가능한 각각의 비행궤적에 대해 장애물 충돌 여부, 목적지까지 비행 성공 가능성을 평가한 후 전체 궤적에 대한 종합점수를 매겨 가장 좋은 비행방향을 지속적으로 선택하는 과정을 반복한다. 앞서 소개했던 UPenn, ETH의 경우 경로점을 연결함과 동시에 비행에 적합하도록 최적화된 다항식 궤적을 사용하여 드론 기동에 맞는 최적의 비행 속도가 자동으로 결정되지만, 본 연구의 궤적생성은 비행방향을 선택하는 방식이기 때문에, 비행방향만을 바꿔가며 등속으로 비행한다. 또한 비행환경에 적합한 비행궤적, 비행방향의 크기와 비행 속도 등을 사전에 설정해야 한다.
우선, 지도상에서 간편하게 이동 경로를 생성하기 위해 환경인지 부분에서 계산한 ESDF를 활용하였다. ESDF에서 두 개 이상의 장애물 간의 거리가 같은 지점을 찾는 연산을 통해 Voronoi 다이어그램을 추출하고, 다이어그램에서 찾아진 중간 점들 중 주요한 것들을 추려 그림 4(b)에 나타난 것과 같이 장애물이 없는 공간의 Topological graph를 얻을 수 있다[9].
ESDF에서 두 개 이상의 장애물 간의 거리가 같은 지점을 찾는 연산을 통해 Voronoi 다이어그램을 추출하고, 다이어그램에서 찾아진 중간 점들 중 주요한 것들을 추려 그림 4(b)에 나타난 것과 같이 장애물이 없는 공간의 Topological graph를 얻을 수 있다[9]. 이 Graph를 이용해 전역적 경로계획을 수립하였다.
VIO 모듈을 개발하였다[6]. 이 모듈은 단안 카메라와 IMU를 EKF기법을 이용해 융합하여 측위를 수행한다. ROVIO의 특징적인 부분은 IMU 의 위치 및 속도 상태변수를 3차원 공간의 고정된 좌표계가 아닌 IMU 고정좌표계에 대해 표현하고, 마찬가지로, 영상에서 추출한 특징점의 좌표를 3 차원 직교 좌표계 공간의 위치로 표현하지 않고 카메라 고정 좌표에 대한 방향벡터와 거리로 표현해 ‘robo-centric’하게 필터 정식화를 수행하였다는 점이다.
하지만 상태추정에 활용한 정보만 가지고 환경지도를 작성하면 시간이 지남에 따라 오차가 누적되어 지도의 정확도가 저하된다. 이 문제를 해결하기 위해 측위 정보를 이용해 3차원 공간상에 정의한 고정 좌표계를 기준으로 입력된 포인트 클라우드의 좌표를 변환한 후, 환경 지도와 입력된 포인트 클라우드를 정합하는 과정을 다시 한번 수행하는데, 이때 대응점을 찾는 방법은 앞서 설명한 방법과 동일하지만 더 많은 수의 특징점을 활용해보다 정확한 지도를 작성하였다.
기반으로 구성하였다. 장애물 탐지 및 환경인지를 위한 IMU로 Microstrain 3DM-GX5-25를, 다채널 LiDAR로 Velodyne VLP-16을 사용하였으며 센서들의 자세를 기체의 자세 거동으로부터 독립시키고 안정화하기 위해 CMU와 마찬가지로 3축짐벌을 Robotis XM-430 서보보터를 이용해 구성하였다. 측위, 환경인지, 그리고 궤적생성 모두 드론에 탑재된 Nvidia TX2 컴퓨터를 이용해 실시간으로 수행하였다.
장애물 탐지 및 환경인지를 위한 IMU로 Microstrain 3DM-GX5-25를, 다채널 LiDAR로 Velodyne VLP-16을 사용하였으며 센서들의 자세를 기체의 자세 거동으로부터 독립시키고 안정화하기 위해 CMU와 마찬가지로 3축짐벌을 Robotis XM-430 서보보터를 이용해 구성하였다. 측위, 환경인지, 그리고 궤적생성 모두 드론에 탑재된 Nvidia TX2 컴퓨터를 이용해 실시간으로 수행하였다.
ROVIO의 특징적인 부분은 IMU 의 위치 및 속도 상태변수를 3차원 공간의 고정된 좌표계가 아닌 IMU 고정좌표계에 대해 표현하고, 마찬가지로, 영상에서 추출한 특징점의 좌표를 3 차원 직교 좌표계 공간의 위치로 표현하지 않고 카메라 고정 좌표에 대한 방향벡터와 거리로 표현해 ‘robo-centric’하게 필터 정식화를 수행하였다는 점이다. 필터의 보정 부분에서는 영상에서 추출한 특징점의 영상 내 좌표를 사용하지 않고, 특징점 주변의 화소값을 직접 활용하여 측위 보정을 수행해 강건한 측위 성능을 확보하였다.

대상 데이터

CMU 연구진은 DJI사의 Matrix 600 기체를 기반으로 자율비행 드론을 구성해 실험에 사용하였다. 측위, 환경인지, 궤적생성 모듈을 위한 센서로, 다채널 LiDAR인 Velodyne VLP-16, 640×360 카메라, MEMS 기반 IMU를 사용하였다.
미션 컴퓨터로는 Intel NUC를 사용하였으며, 측위 및 장애물 탐지를 위한 센서로 스테레오 카메라(Aptina MT9V034)와 IMU(ADIS 16448)가 결합된 vi-sensor[12] 모듈을 제작하고, 동기화된 IMU와 영상 데이터를 얻어 측위에 사용하였다. 또한 환경인지를 위해 vi-sensor의 스테레오 카메라와 Intel realsense D415를 병행하여 사용하였다. 앞서 기술한 모든 소프트웨어 역시 오픈소스로 공개되어 있다.
미션 컴퓨터로는 Intel NUC를 사용하였으며, 측위 및 장애물 탐지를 위한 센서로 스테레오 카메라(Aptina MT9V034)와 IMU(ADIS 16448)가 결합된 vi-sensor[12] 모듈을 제작하고, 동기화된 IMU와 영상 데이터를 얻어 측위에 사용하였다. 또한 환경인지를 위해 vi-sensor의 스테레오 카메라와 Intel realsense D415를 병행하여 사용하였다.
사용하였다. 측위, 환경인지, 궤적생성 모듈을 위한 센서로, 다채널 LiDAR인 Velodyne VLP-16, 640×360 카메라, MEMS 기반 IMU를 사용하였다. 센서 값들을 융합하고, 비행 궤적을 생성하는 컴퓨터는 3.

이론/모형

ETRI의 자율비행드론은 Artcopter사의 T-18 기체를 기반으로 구성하였다. 장애물 탐지 및 환경인지를 위한 IMU로 Microstrain 3DM-GX5-25를, 다채널 LiDAR로 Velodyne VLP-16을 사용하였으며 센서들의 자세를 기체의 자세 거동으로부터 독립시키고 안정화하기 위해 CMU와 마찬가지로 3축짐벌을 Robotis XM-430 서보보터를 이용해 구성하였다.
먼저, 출발점에서 목적지까지 장애물이 없는 경로를 생성하기 위해 Kinodynamic 경로계획기법을 활용하였다[3]. 이 기법은 드론의 운동방정식을 2차 선형시스템으로 가정하고 사전에 정의한 다양한 형태의 가속도 입력을 이 시스템에 인가하여 그림 2(a)와 같이 궤적 가지들을 생성한다.
다시 말해서, 일반적인 VIO는 영상 프레임 단위로, UPenn이 사용한 방식은 영상 특징점 단위로 상태변수의 보정을 수행한다. 이와 같은 융합 기법을 MSCKF(Multistate Constraint Kalman Filter) 라고하는데, UPenn 연구진은 이 기법을 스테레오 카메라에 맞도록 확장하고, 이를 드론의 측위에 사용하였다[1].

성능/효과

UPenn, ETH, CMU 등 우수 연구 기관들은 모두 자체적으로 측위, 환경인지, 장애물 회피 궤적생성을 위한 소프트웨어 및 하드웨어를 구축하고, 이를 자율비행드론 개발에 활용하는 것을 알 수 있었다. 해당 분야 기술 습득에 관심이 있는 독자라면 다음에 정리한 참고문헌뿐만 아니라 오픈소스로 공개된 UPenn, ETH의 구현 사례들도 동시에 참고하는 것을 권한다.
같이 나타나 있다. 숲 환경의 나무 및 지형지물 형상의 확인을 통해 측위가 정확히 이루어진 것을 확인할 수 있다.

후속연구

본 고에 요약한 것과 같이 자율비행드론 연구에서 눈부신 발전이 있었던 것은 분명하지만, 다양한 환경에서 자율비행드론을 실제로 활용하기 위해 앞으로도 알고리즘의 강건성, 정확성의 개선을 위한 지속적인 연구가 수행되어야 할 것으로 전망된다.

참고문헌 (16)

K. Sun et al., "Robust stereo visual inertial odometry for fast autonomous flight," IEEE Robot. Autom. Lett. vol. 3, no. 2, 2018, pp. 965-972.

상세보기
S. S. Shivakumar et al., "Real time dense depth estimation by fusing stereo with sparse depth measurements," in Proc. Int. Conf. Robot. Autom. (Montreal, Canada), May 2019.
S. S. Liu et al., "Search-based motion planning for quadrotors using linear quadratic minimum time control," in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst. (Vancouver, Canada), Sept. 2017.
M. Quigley et al., "The open vision computer: An integrated sensing and compute system for mobile robots," in Proc. Int. Conf. Robot. Autom. (Montreal, Canada), May 2019.
https://www.youtube.com/watch?vvDYy3L9nvLk&ab_channelDARPAtv
M. Bloesch et al., "Robust visual inertial odometry using a direct EKF-based approach," IEEE/RSJ Int. Conf. Intell. Robot. Syst. (Hamburg, Germany), Oct. 2015.
https://github.com/ethz-asl/maplab/wiki/ROVIOLIIntroduction
T. Schneider et al., "Maplab: An open framework for research in visual-inertial mapping and localization," IEEE Robot. Autom. Lett. vol. 3, no. 3, 2018, 1418-1425.

상세보기
H. Oleynikova, "Mapping and planning for safe collision avoidance on-board micro-aerial vehicles," Doctoral Thesis, ETH Zurich, 2019.
M. Zucker et al., "Chomp: Covariant hamiltonian optimization for motion planning," The Int. J. Robot. Res. vol. 32, no. 9-10, 2013, pp. 1164-1193.

상세보기
H. Oleynikova et al., "Continuous-time trajectory optimization for online UAV replanning," in Proc. IEEE/RSJ Int. Conf. Intell. Robot. Syst. (Daejeon, Rep. of Korea), Oct. 2016.
J. Nikolic et al., "A synchronized visual-inertial sensor system with FPGA pre-processing for accurate real-time SLAM," in Proc. IEEE Int. Conf. Robot. Autom. (Hong Kong, China), May 2014.
H. Oleynikova et al., "An open-source system for vision-based micro-aerial vehicle mapping, planning, and flight in cluttered environments," J. Field Robot. vol. 37, no. 4, 2020, pp. 642-666.

상세보기
J. Zhang and S. Sanjiv, "Laser-visual-inertial odometry and mapping with high robustness and low drift," J. Field Robot. vol. 35, no. 8, 2018, pp. 1242-1264.

상세보기
J. Zhang and S. Sanjiv, "LOAM: Lidar odometry and mapping in real-time," Robot.: Sci. Syst. vol. 2, no. 9, 2014.
J. Zhang et al., "Maximum likelihood path planning for fast aerial maneuvers and collision avoidance," in Proc. IEEE/RSJ Int. Conf. Intell. Robots. Syst. (Macau, China), Nov. 2019.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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