KR100601946B1 - 로봇의 전역 위치 추정 방법 - Google Patents

로봇의 전역 위치 추정 방법 Download PDF

Info

Publication number
KR100601946B1
KR100601946B1 KR1020040020761A KR20040020761A KR100601946B1 KR 100601946 B1 KR100601946 B1 KR 100601946B1 KR 1020040020761 A KR1020040020761 A KR 1020040020761A KR 20040020761 A KR20040020761 A KR 20040020761A KR 100601946 B1 KR100601946 B1 KR 100601946B1
Authority
KR
South Korea
Prior art keywords
sample
robot
samples
importance
shifted
Prior art date
Application number
KR1020040020761A
Other languages
English (en)
Other versions
KR20050095384A (ko
Inventor
왕대준
자오지아리
기석철
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020040020761A priority Critical patent/KR100601946B1/ko
Priority to US11/089,213 priority patent/US7280434B2/en
Publication of KR20050095384A publication Critical patent/KR20050095384A/ko
Application granted granted Critical
Publication of KR100601946B1 publication Critical patent/KR100601946B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F21—LIGHTING
    • F21V—FUNCTIONAL FEATURES OR DETAILS OF LIGHTING DEVICES OR SYSTEMS THEREOF; STRUCTURAL COMBINATIONS OF LIGHTING DEVICES WITH OTHER ARTICLES, NOT OTHERWISE PROVIDED FOR
    • F21V17/00—Fastening of component parts of lighting devices, e.g. shades, globes, refractors, reflectors, filters, screens, grids or protective cages
    • F21V17/10—Fastening of component parts of lighting devices, e.g. shades, globes, refractors, reflectors, filters, screens, grids or protective cages characterised by specific fastening means or way of fastening
    • F21V17/105—Fastening of component parts of lighting devices, e.g. shades, globes, refractors, reflectors, filters, screens, grids or protective cages characterised by specific fastening means or way of fastening using magnets
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F21—LIGHTING
    • F21S—NON-PORTABLE LIGHTING DEVICES; SYSTEMS THEREOF; VEHICLE LIGHTING DEVICES SPECIALLY ADAPTED FOR VEHICLE EXTERIORS
    • F21S8/00—Lighting devices intended for fixed installation
    • F21S8/04—Lighting devices intended for fixed installation intended only for mounting on a ceiling or the like overhead structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Manipulator (AREA)

Abstract

본 발명은 로봇의 전역 위치 추정 방법에 관한 것으로, 복수의 샘플들중 하나를 선택하고, 선택된 샘플을 로봇의 이동에 따라 쉬프트하는 단계; 쉬프트된 샘플의 소정 범위내의 주변에서 새로운 샘플을 생성하는 단계; 쉬프트된 샘플과 새로운 샘플에 대한 소정 조건에 따라 쉬프트된 샘플 또는 새로운 샘플을 다음 시간의 샘플로 결정하는 단계; 및 다음 시간의 샘플로 결정된 샘플 수가 최대 샘플 수보다 크거나 같다면, 샘플들의 위치들로부터 로봇의 다음 위치를 추정하는 단계를 포함함을 특징으로한다.

Description

로봇의 전역 위치 추정 방법{Method of global localization for robot}
도 1은 본 발명에 따른 로봇의 전역 위치 추정 방법에 대한 흐름도이다.
도 2는 로봇이 움직일 수 있는 장소에서 랜덤하게 분포된 샘플들을 도시한 것이다.
도 3은 로봇이 움직일 수 있는 공간이 그리드(grid) 형태로 나뉘어진 것을 도시한 것이다.
도 4는 로봇이 이동하는 위치(position)과 방향(orientation)을 도시한 것이다.
도 5a 및 5b는 각각 실내에서 초음파 탐지기의 입사각에 대한 반사형태를 도시한 것이다.
도 5c는 실내에서 초음파 탐지기의 입사각과 샘플 중요도 사이의 관계를 도시한 것이다.
도 6은 본 실시예에 따른 환경에서 로봇에 장착된 초음파 탐지기의 탐지거리(return value)를 도시한 것이다.
도 7(a) 내지 도 7(d)는 본 발명의 로봇의 전역 위치 추정 방법에 대한 시뮬레이션 결과를 각각 도시한 것이다.
도 8은 종래의 MCL 방법들과 본 발명의 HK-MCL 방법을 이용하여 위치를 추정 하였을 때, 이산시간(discrete time)에 대한 위치 에러를 비교하여 나타낸 것이다.
도 9는 종래의 MCL 방법들과 본 발명의 HK-MCL 방법을 이용하여 위치를 추정하였을 때, 이산시간에 대한 방향 에러를 비교하여 나타낸 것이다.
도 10은 본 발명의 HK-MCL 방법에 따른 x-y축 형태로 반영한 위치 에러를 도시한 것이다.
도 11은 종래의 교란을 이용한 MCL 방법에 따른 x-y축 형태로 반영한 위치 에러를 도시한 것이다.
도 12는 종래의 랜덤 샘플을 추가하는 MCL 방법에 따른 x축에 대한 y축의 위치 에러를 도시한 것이다.
도 13은 종래의 MCL 방법들과 본 발명의 HK-MCL 방법을 이용하여 위치를 추정하였을 때, 센서잡음에 대한 위치 에러를 도시한 것이다.
본 발명은 로봇의 전역 위치 추정 방법에 관한 것으로, 특히 초음파 탐지기(ultrasonic sensor)를 통해 로봇의 전역 위치를 추정하는 방법에 관한 것이다.
움직이는 로봇에서 해결해야할 두 문제는 전역 위치 추정(global position estimation)과 국부적인 위치 추적(local position tracking)이다. 전역 위치 추정은 사전(a priori) 또는 이전에 학습된 맵(map)에서 로봇이 맵의 어딘가에 있다는 정보외에는 아무런 정보도 주어지지않은 상황에서 센서를 통해 수집한 데이터를 이용하여 로봇의 위치를 결정하는 것을 말한다. 사전 맵을 사용할 수 없는 경우, 로봇이 주변 지역을 돌아다니는 동안 시간에 대한 맵을 만들 필요가 있다. 로봇이 맵에서 위치를 정하게되면, 국부적인 추적은 정해진 위치의 트랙을 따라가는 문제가 된다. 따라서 로봇의 전역 위치를 알면, 로봇은 맵을 사용하여 복잡한 환경을 신뢰성있게(reliably) 항해(navigation)할 수 있다.
일반적으로 로봇의 위치 추정에는 칼만 필터(Kalman filter) 또는 몬테-카를로 위치 추정법(Monte-Carlo Localization, MCL)과 같은 확률적인 접근(probabilistic approach)이 이루어졌다.
이들중 MCL은 센서 데이터를 기반으로하여 로봇의 위치에 대한 빌리프 분포(belief distribution), 즉 사후 분포(posterier distribution)를 순환적으로 추정하는 순환 베이지안 필터(recursive Baysian filter)이고, 초기 빌리프 분포를 균등 분포(uniform distribution)로 가정한다. 그러나, 그 특성상 많은 초기 샘플 또는 입자들때문에 초기 처리시 계산량이 많아서 실시간 위치 측정이 어렵고, 샘플 세트의 크기가 작은 경우 올바른 위치(true pose)에서 샘플들을 생성하기가 어려울 수 있다. 따라서 제 위치(true pose)에서도 샘플이 없을 수 있고, 샘플들에 대해 공간의 모든 위치에 대한 빌리프 분포로 나타내지 못할 수도 있다.
본 발명이 이루고자하는 기술적 과제는 MCL을 이용하여 로봇의 위치를 추정할 때 제 위치에서 부족한 샘플 수에 대한 보상으로서 소정 조건에 따라 샘플들을 섭동(perturbation)하여 추가함으로써 샘플들이 빌리프 분포를 나타내도록하는 로봇의 전역 위치 추정 방법을 제공하는데 있다.
상기 기술적 과제를 이루기위한, 본 발명의 로봇의 전역위치 추정 방법은 복수의 샘플들중 하나를 선택하고, 선택된 샘플을 로봇의 이동에 따라 쉬프트하는 단계; 상기 쉬프트된 샘플의 소정 범위내의 주변에서 새로운 샘플을 생성하는 단계; 상기 쉬프트된 샘플과 새로운 샘플에 대한 소정 조건에 따라 상기 쉬프트된 샘플 또는 상기 새로운 샘플을 다음 시간의 샘플로 결정하는 단계; 및 다음 시간의 샘플로 결정된 샘플 수가 최대 샘플 수보다 크거나 같다면, 상기 샘플들의 위치들로부터 로봇의 다음 위치를 추정하는 단계를 포함함을 특징으로한다.
이하에서 첨부된 도면을 참조하여 본 발명을 보다 상세하게 설명하기로 한다.
도 1은 본 발명에 따른 로봇의 전역 위치 추정 방법에 대한 흐름도이다.
본 발명에서는 샘플 수가 적은 경우 제 위치에 샘플들이 없으면 샘플들이 올바른 빌리프 분포를 나타내지 못할 것이라는 점에 주목하였다. 또한 제 위치에 샘플이 없는 경우에 대한 보상으로서 샘플들을 소정 범위내에서 섭동함으로써 샘플들이 올바른 빌리프 분포를 나타내도록한다. 여기서, 소정 범위 내의 섭동은 샘플의 온도에 따른 열핵(Heat Kernel)을 기반으로하여 이루어질 수 있으며, 열핵 기반의 섭동은 모든 샘플들의 섭동이 샘플들의 열핵으로 표현되는 가능성(probability)에 의해 결정되는 것을 의미한다.
샘플들이 밀집된 지역(dense area)에서는 로봇이 위치하는 가능성이 높기때문에, 열핵, 즉, 섭동 가능성이 작을 것으로 가정한다. 샘플들이 밀집되지않은 지역(sparse area)의 경우, 샘플들이 제 위치를 찾으려고할 기회가 많아야하므로 열핵이 큰 것으로 가정한다. 즉, 샘플들을 고 중요도 지역으로 이동코저 하기때문에 높은 중요도를 가진 샘플의 섭동 가능성이 작다. 반대의 경우, 낮은 중요도의 샘플들에 대한 섭동 가능성이 크다.
샘플의 열핵은 중요도 샘플의 평균 밀도에 의해 결정된다. 초기에 샘플들이 골고루 분포되어 있기 때문에 평균 밀도가 낮다. 매개 샘플의 열핵도 따라서 크다. 어느 한 시간에서는 높은 중요도 샘플의 열핵이 낮은 중요도 샘플의 열핵보다 작다.
이러한 점들을 염두에 두고 본 발명을 상세하게 설명하면 다음과 같다.
먼저, 샘플 세트 S를 초기화하고, 샘플 수 iNumber를 0으로 초기화한다(10단계). 각 샘플은 (x,y)의 위치와 방향 θ의 정보를 갖고 있으며, (x,y)는 균등분포에 따라 실내에서 로봇이 움직일 수 있는 장소(available area)에서 균등하게 분포되는 것으로 가정한다. θ는 마찬가지로 0도에서 360도까지 균등하게 분포하는 것으로 가정한다. 각 샘플의 중요도는, 샘플 수가 N이라고하면 1/N이다. 도 2는 로봇이 움직일 수 있는 장소에서 랜덤하게 분포된 샘플들을 도시한 것이다. 참조번호 20은 로봇이고, 21은 움직임 공간 그리고 22는 샘플들을 나타낸다.
초기화가 이루어지면, 각 샘플에 대한 온도를 구한다(11단계). 샘플의 온도는 각 샘플에 대한 평균 밀도(average local density)로 부터 구할 수 있다. 이는 샘플의 온도가 샘플들이 균등하게 분포된 경우 높고, 샘플들이 차츰 저밀도 지역으로부터 고밀도 지역으로 유도된다.
샘플s(s는 샘플 세트중 임의의 한 개의 샘플임)에 대한 평균 밀도를 구하기위해서, 샘플에 대한 국부 밀도(local density, LD)
Figure 112004012513493-pat00001
를 다음 식과 같이 계산할 수 있다.
Figure 112004012513493-pat00002
여기서, N은 샘플 수, V0는 샘플 s 주위의 닫힌 면적(closed around area)이다.
수학식 1로부터 평균 밀도 Dt 는 다음 식과 같이 구할 수 있다.
Figure 112004012513493-pat00003
여기서, Dti는 시간 t에서 i번째 샘플에 대한 국부 밀도이고, N은 샘플 수이다.
수학식 1을 기반으로하여 구해지는 밀도는 도 3에 도시된 바와 같이 그리드(grid) 형태로 나누어진 공간으로부터 구할 수 있다. 도면에서 참조번호 30은 로봇의 실제 위치이다. 도면에서, 각 그리드의 크기가 dxdy라 한다면, 각 샘플 의 국부 밀도 Ds는 각 샘플이 속하는 그리드에 포함되는 샘플 수를 해당 그리드 면적으로 나눈 값으로 계산될 수 있다.
샘플 온도의 경우, 초기에는 샘플들이 균등 분포하므로 각 샘플의 온도는 모두 동일한 것으로 볼 수 있다. 시간이 지남에 따라 샘플들은 점점 클러스터링(clustering)될 것이므로, 시간 t에서 최고 온도 Tt는
Figure 112004012513493-pat00004
(여기서, T0는 초기 온도)가 될 것이다. 따라서, 시간 t에서 k번째 샘플이 가장 작은 중요도를 가진다면, i(i=1,2,…,N)번째 샘플의 온도 Tti는 다음 식과 같이 구할 수 있다.
Figure 112004012513493-pat00005
여기서, I(sk) 및 I
Figure 112004012513493-pat00006
(si)는 각각 샘플 sk 및 si의 중요도이다.
각 샘플에 대한 온도를 구하면, 샘플 세트로부터 랜덤 샘플을 선택한다(12단계). 샘플 선택은 샘플의 중요도에 따라 달라지는데, 샘플의 중요도가 높을수록 선택될 확률이 높다. 다만, 벽에 가까이 있는 샘플들은 일반적으로 선택하지않는다. 각 샘플의 중요도 I(s)에 대한 계산은 14단계에서 후술하기로한다.
선택된 샘플에 대해서 로봇의 이동에 따른 샘플의 다음 시간의 위치(position) 및 방향(orientation)을 계산한다(13단계). 도 4는 로봇(20)이 이동하는 방향과 궤적(41)을 도시한 것이다. 참조번호 40은 로봇의 두부(頭部) 방향 을 나타낸다. 로봇의 이동량은 로봇의 엔코더(encoder)에 기록된 값을 읽음으로써 감지된다. 이동량은 t시간에서 (t+1)시간동안 이동한 이동길이 Δl과 회전방향 Δθ을 포함한다. 회전방향 Δθ는 두부 방향이 t시각부터 (t+1)시각 사이에 회전한 각도이다. 샘플의 다음 시간의 위치(x(t+1),y(t+1)) 및 방향θ(t+1)은 감지된 Δl 및 Δθ으로부터 다음 식과 같이 계산된다.
Figure 112004012513493-pat00007
수학식 4에 따라 계산된 샘플의 위치 및 방향에 따라 쉬프트된 샘플 s(t+1)을 계산한다. 샘플 s(t+1)이 속한 그리드에서 새로운 샘플 s*(t+1)을 생성한다. 이 때 그리드는 위치 뿐 만 아니라 회전 방향도 포함한다.
샘플 s(t+1)과 s*(t+1)에 대해 각각 중요도 I(s(t+1) 및 I(s*(t+1))를 구한다(14단계). 샘플의 중요도는 로봇에 장착된 초음파 탐지기를 이용하여 얻어지는 신뢰도(confidence)를 기반으로하여 계산된다. 로봇에 장착된 초음파 탐지기는 입사각(incident angle)이 초음파 탐지기의 빔 각(beam angle)의 절반보다 크면 다중 반사(multiple-reflection)가 일어나게되어 완전히 잘못된 값을 초음파 탐지기에 리턴(return)하게된다. 특히 실내 환경에서는 탐지신호의 입사각이 커질 확률이 높아서 리턴되는 값이 잘못된 값일 확률이 높아지므로, 초음파 탐지기의 입사각에 대 해 신뢰도를 계산하고, 계산된 신뢰도를 중요도의 계산에 이용할 수 있다. 도 5a 및 도 5b는 실내에서 초음파 탐지기(5)의 입사각에 대한 반사형태를 도시한 것이다.
도 5a에 따르면, 입사각은 초음파 탐지기(5)에서 출력되는 탐지신호(51)와 수직선(50)이 이루는 각을 말한다. 초음파 탐지기(5)의 센서 빔 각이 30°라고 할 경우, 도시된 바와 같이 입사각이 15°이하이면, 입사각이 커질수록 리턴 값, 즉, 탐지거리가 보다 덜 정확할 것이다. 참조번호 52와 같이 탐지신호의 입사각이 15°보다 크다면, 이 탐지신호는 제1벽(53)과 제2벽(54)에 의해 차례로 반사됨으로써, 초음파 탐지기(5)로 리턴되는 값이 정확하지 못하다.
도 5b는 입사각이 15°보다 큰 경우에 리턴되는 신호를 도시한 것이다. 도시된 바에 따르면, 초음파 탐지기(5)에서 출력되는 탐지신호(55)는 제1 및 제2벽(53, 54)에 의해 차례로 반사되어 초음파 탐지기(5)로 정확하게 리턴됨을 알 수 있다.
도 6은 본 실시예에 따른 환경에서 로봇(20)에 장착된 초음파 탐지기(미도시)의 동작을 도시한 것이다. 초음파 탐지기의 수는 N이라고 가정한다. 도시된 바에 따르면, 참조번호 60의 탐지신호의 경우, 입사각이 15°보다 작아서 초음파 탐지기로 리턴되는 값이 올바름을 알 수 있다. 참조번호 61의 탐지신호는 입사각이 15°보다 크지만, 벽의 구조 및 벽과의 거리 등의 조건에 의해 역시 리턴되는 값이 올바름을 알 수 있다. 그러나 62의 탐지신호의 경우 그 반사경로를 살펴보면 리턴되는 값이 잘못된 값임을 알 수 있다.
따라서, 샘플 s에 대해 i번째 초음파 탐지기는 탐지신호의 입사각 βi가 초음파 탐지기의 빔각의 절반각 φ0보다 작으면 수학식 6과 같이 계산되는 신뢰도 conf(i)를 갖는다.
그 이유를 도 5c로 증명할 수 있다. 여기에서는 500여 샘플을 수집하였다. 도 5c는 유효 초음파 탐지기가 전체 초음파 탐지기에서 차지하는 비율과 입사각 사이의 관계를 도시한 것이다. 유효 초음파 탐지기의 비율은 신뢰도(confidence)로 볼 수 있으며 다음 식과 같은 정규 분포(normal distribution)을 만족한다.
Figure 112004012513493-pat00008
만일 βi가 φ0보다 크거나 같으면, Lv(i)가 i번째 가상(virtual) 초음파 탐지기가 샘플 s의 위치에 있다고 가정하였을 때 상기 가상 초음파 탐지기에 리턴되는 값, Le(i)가 로봇의 i번째 초음파 탐지기에 실제로 리턴되는 값, σ는 초음파 탐지기의 리턴값의 분산일 때, 다음 식
Figure 112004012513493-pat00009
여기서, fabs[]는 부동 소수에 대한 절대값이다.
을 만족하면 conf(i)=1로, 만족하지않으면 conf(i)=0으로 한다.
수학식 5 및 6에 의해 구해지는 신뢰도 conf(i)를 바탕으로하여 샘플 s에 대 한 중요도 I(s)는 다음 식과 같이 계산된다.
Figure 112004012513493-pat00010
여기서, simp(i)는 샘플 s에 대한 i번째 초음파 탐지기의 특성에 따라 구해지는 중요도로서 다음 식과 같이 계산되는 값이다.
Figure 112004012513493-pat00011
상술한 바와 같이 중요도가 구해지면, I(s*(t+1))와 I(s(t+1)의 크기를 비교한다. 비교결과, I(s*(t+1))가 I(s(t+1)보다 크면 s(t+1)을 s*(t+1)으로 치환한다.
I(s*(t+1))가 I(s(t+1)보다 작거나 같다면, 샘플 s(t+1)에 대한 열핵 HK를 다음 식과 같이 계산한다.
Figure 112004012513493-pat00012
여기서, T는 수학식 3에 따라 계산된 t시간에서 해당 샘플의 온도이다.
다음으로, [0,1]사이에서 균등분포된 랜덤값 α를 생성한다. 생성된 α가 HK보다 작다면 s(t+1)을 s*(t+1)로 치환하고, α가 HK보다 크거나 같으면 s(t+1)을 그 대로 유지한다. 이러한 과정을 시뮬레이티드 어닐링(simulated annealing)이라 한다.
이와 같이 열핵을 기반으로하여 샘플을 섭동을 하면 섭동을 적절하게 조절할 수 있다. 따라서 샘플들은 기존의 중요도를 기반으로하는 샘플링 방법에 비해 더 빨리 정확한 위치에 모일 수 있다.
다음 시간에 대한 샘플 섭동이 완료되면, 샘플 세트를 갱신하고 10단계의 iNumber을 1증가시킨다(16단계).
다음으로, 공지의 쿨백-라이블러 거리(Kullback-Leibler Distance, KLD)법으로 섭동된 샘플들에 대한 최대 샘플수 iMax를 구한다(17단계). KLD법은 샘플링의 일종으로서 샘플이 밀집된 상황에서는 샘플링을 적게하며 밀집하지않는 상황에서는 샘플링을 많이 한다. 이로써 알고리즘의 샘플 분포가 유효한지를 판단한다. 이 iMax는 샘플기반의 최우추정치(Maximum Liklihood Estimate)와 실제 계산된 빌리프 분포와의 거리가 임계치를 초과하지않는 샘플 수를 말한다.
16단계에서 구한 iNumber가 iMax보다 작다면(18단계), 12단계 내지 18단계를 반복하고, iNumber가 iMax보다 크거나 같다면, 샘플들을 정규화(normalization)한다(19단계). 샘플들의 정규화는 샘플의 중요도를 이용하여 얻을 수 있다. 예를 들어, i번째 샘플의 정규화는 다음 식과 같이 얻을 수 있다.
Figure 112004012513493-pat00013
여기서, Ii는 i번째 샘플의 중요도이다.
정규화가 완료되면, 정규화된 샘플들로부터 로봇의 위치를 추정한다(20단계). 로봇의 추정 위치(x,y)는 다음 식과 같이 얻을 수 있다.
Figure 112004012513493-pat00014
여기서, xi, yi는 각각 i번째 샘플의 x축, y축 위치를 나타낸다.
도 7(a) 내지 도 7(d)는 본 발명의 로봇의 전역 위치 추정 방법에 대한 실험 결과를 각각 도시한 것이다. 도 7(a)의 초기 동작시 샘플 수는 200개이다. 도 7(a)는 초기의 샘플 분포를 도시한 것으로, 균일한 분포를 보인다. 도시된 타원은 현재 시각의 로봇의 위치이며, 타원내의 직선이 치우친 방향은 로봇의 머리이다. 도 7(b), 7(c) 및 7(d)는 각각 로봇이 5, 10, 20 스텝 후의 각 샘플들의 분포, 로봇의 위치 및 각 초음파 탐지기의 리턴값을 나타낸다. 그 중 스텝은 평행이동과 회전을 포함한다.
도 8은 종래의 MCL 방법들과 본 발명의 HK-MCL 방법을 이용하여 위치를 추정하였을 때, 이산시간(discrete time)에 대한 위치 에러를 비교하여 나타낸 것이다. 도시된 바에 따르면, 본 발명의 위치 추정 방법에 따른 위치 에러가 가장 작음을 알 수 있다. 종래의 MCL방법은 MCL법에서 랜덤 샘플을 추가하는 MCL 방법(랜덤 샘플-MCL)과 MCL법에서 초음파 탐지기의 오차를 고려한, 교란(disturbance)을 이용한 MCL 방법(교란-MCL)을 말한다.
도 9는 종래의 MCL 방법들과 본 발명의 HK-MCL 방법을 이용하여 위치를 추정하였을 때, 이산시간에 대한 방향 에러를 비교하여 나타낸 것이다. 도시된 바에 따르면, 본 발명의 위치 추정 방법에 따른 방향 에러가 가장 작음을 알 수 있다.
도 10은 본 발명의 HK-MCL 방법에 따른 x-y축 형태로 반영한 위치 에러를 도시한 것이다. 도시된 바에 따르면, 에러 범위를 도시된 타원으로 간주하는 경우 약 4.5cm 정도이다.
도 11은 종래의 교란을 이용한 MCL 방법에 따른 x-y축 형태로 반영한 위치 에러를 도시한 것이다. 도시된 바에 따르면, 에러 범위를 도시된 타원으로 간주하는 경우 약 8cm정도이다.
도 12는 종래의 랜덤 샘플을 추가하는 MCL 방법에 따른 x-y축 형태로 반영한 위치 에러를 도시한 것이다. 도시된 바에 따르면, 에러 범위를 도시된 타원으로 간주하는 경우 약 20cm정도이다.
도 10 내지 도 12에 나타난 에러범위를 비교하면 본 발명의 HK-MCL 방법이 에러범위가 가장 작음을 알 수 있다.
도 13은 종래의 MCL 방법들과 본 발명의 HK-MCL 방법을 이용하여 위치를 추정하였을 때, 센서잡음에 대한 에러를 도시한 것이다. 도시된 바에 따르면, 본 발명의 HK-MCL 방법이 가장 센서 잡음에 강건한 것을 알 수 있다.
본 발명에 따르면, 초기에 많은 샘플 수가 필요하지않다. 또한, 샘플의 온도 는 시뮬레이티드 어닐링에 의해 차츰 감소되고 그에 따라 섭동이 조절됨으로써 종래기술에 비해 보다 빠르고 에러범위가 적게 올바른 위치를 추정할 수 있다. 또한, 본 발명은 온도, 평균 밀도 그리고 샘플의 중요도의 관계를 이용함으로써 시뮬레이티드 어닐링 과정중 온도가 명확한 형태(obvious form)가 없는 난점을 해결하였다. 샘플의 중요도를 결정할 때에는 센서에 의한 신뢰도를 반영함으로써 보다 안정적인 샘플링이 가능하다.

Claims (17)

  1. 복수의 샘플들중 하나를 선택하고, 선택된 샘플을 로봇의 이동에 따라 쉬프트하는 단계;
    상기 쉬프트된 샘플의 소정 범위내의 주변에서 새로운 샘플을 생성하는 단계;
    상기 쉬프트된 샘플과 새로운 샘플에 대한 소정 조건에 따라 상기 쉬프트된 샘플 또는 상기 새로운 샘플을 다음 시간의 샘플로 결정하는 단계; 및
    다음 시간의 샘플로 결정된 샘플 수가 최대 샘플 수보다 크거나 같다면, 상기 샘플들의 위치들로부터 로봇의 다음 위치를 추정하는 단계를 포함함을 특징으로하는 로봇의 전역 위치 추정 방법.
  2. 제1항에 있어서, 상기 새로운 샘플의 생성은
    상기 로봇이 움직일 수 있는 공간을 그리드 형태로 나누었을 때, 상기 쉬프 트된 샘플이 속하는 그리드내에서 생성하는 것을 특징으로하는 로봇의 전역 위치 추정 방법.
  3. 제1항에 있어서, 상기 샘플의 선택은
    상기 로봇에 장착된 센서의 신뢰도를 반영한 상기 샘플의 중요도에 따라 선택하는 것을 특징으로하는 로봇의 전역 위치 추정 방법.
  4. 제3항에 있어서, 상기 센서의 신뢰도는
    상기 센서에서 출력되는 탐지신호와 상기 탐지신호가 반사되어 상기 센서로 리턴되는 값에 따라 결정되는 것을 특징으로하는 로봇의 전역 위치 추정 방법.
  5. 제4항에 있어서,
    상기 센서가 초음파 탐지기이면, 상기 초음파 탐지기의 신뢰도는 반사되는 탐지신호의 입사각이 클수록 작아지는 것을 특징으로하는 로봇의 전역 위치 추정 방법.
  6. 제5항에 있어서, 상기 초음파 탐지기의 신뢰도 conf(i)는
    i번째 초음파 탐지기의 탐지신호의 입사각 βi가 상기 초음파 탐지기의 빔각 의 절반각 φ0보다 작으면 다음 식
    Figure 112004012513493-pat00015
    과 같이 결정됨을 특징으로하는 로봇의 전역 위치 추정 방법.
  7. 제6항에 있어서, 상기 초음파 탐지기의 신뢰도 conf(i)는
    상기 βi가 상기 φ0보다 크거나 같으면, Lv(i)가 i번째 가상 초음파 탐지기가 상기 샘플의 위치에 있다고 가정하였을 때 상기 가상 초음파 탐지기에 리턴되는 값, Le(i)가 상기 로봇의 i번째 초음파 탐지기에 리턴되는 값, σ는 초음파 탐지기의 리턴값의 분산일 때, 다음 식
    Figure 112004012513493-pat00016
    여기서, fabs[]는 부동 소수에 대한 절대값
    을 만족하면 conf(i)=1로, 만족하지않으면 conf(i)=0으로 결정되는 것을 특징으로하는 로봇의 전역 위치 측정 방법.
  8. 제3항에 있어서, 상기 샘플의 중요도는
    i번째 가상 센서가 상기 샘플의 위치있다고 가정하였을 때 상기 가상 초음파 탐지기에 리턴되는 값과 상기 로봇에 실제 장착된 i번째 센서에 리턴되는 값의 차에 대한 지수함수 형태로 구해지는 것을 특징으로하는 로봇의 전역 위치 추정 방 법.
  9. 제3항에 있어서, 상기 다음 시간의 샘플로 결정하는 단계는
    상기 쉬프트된 샘플의 중요도가 상기 새로운 샘플의 중요도보다 작거나 같다면, 상기 선택된 샘플에 대한 열핵을 구하는 단계; 및
    상기 열핵에 따라 상기 쉬프트된 샘플 또는 상기 새로운 샘플을 다음 시간의 샘플로 결정하는 단계를 포함함을 특징으로하는 로봇의 전역 위치 추정 방법.
  10. 제9항에 있어서, 상기 열핵을 구하는 단계는
    상기 선택된 샘플에 대한 온도를 구하는 단계;
    상기 선택된 샘플의 온도를 이용하여, 상기 열핵을 다음 식
    Figure 112004012513493-pat00017
    여기서, T는 현재시간에서 상기 샘플의 온도, I(s)는 쉬프트된 샘플의 중요도, I(s*)는 새로운 샘플의 중요도
    와 같이 구하는 단계를 포함함을 특징으로하는 로봇의 전역 위치 추정 방법.
  11. 제10항에 있어서, 상기 다음 시간의 샘플로 결정하는 단계는
    소정 범위의 랜덤 수를 생성하는 단계; 및
    상기 랜덤 수가 상기 열핵보다 작다면 상기 새로운 샘플을 다음시간의 샘플 로 결정하는 단계를 포함함을 특징으로하는 로봇의 전역 위치 추정 방법.
  12. 제11항에 있어서,
    상기 랜덤 수가 상기 열핵보다 크거나 같다면 상기 쉬프트된 샘플을 다음시간의 샘플로 결정하는 단계를 더 포함함을 특징으로하는 로봇의 전역 위치 추정 방법.
  13. 제10항에 있어서, 상기 샘플들의 온도 계산은
    상기 샘플들에 대한 초기온도를 설정하는 단계;
    각 샘플에 대한 국부 밀도를 구하고, 상기 샘플들에 대한 평균 국부 밀도를 구하는 단계;
    상기 초기온도 및 상기 평균 국부 밀도로부터 상기 쉬프트된 샘플들의 최고 온도를 구하는 단계; 및
    상기 최고 온도 및 각 샘플의 국부 밀도로부터 각 샘플의 온도를 구하는 단계를 포함함을 특징으로하는 로봇의 전역 위치 추정 방법.
  14. 제13항에 있어서, 상기 국부 밀도는
    상기 로봇이 움직일 수 있는 공간을 그리드 형태로 나누고, 상기 그리드의 면적에 대해 상기 샘플이 속한 그리드에 포함된 샘플 수임을 특징으로하는 로봇의 전역 위치 추정 방법.
  15. 제3항에 있어서, 상기 다음 시간의 샘플로 결정하는 단계는
    상기 쉬프트된 샘플의 중요도가 상기 새로운 샘플의 중요도보다 크다면, 상기 새로운 샘플을 다음 시간의 샘플로 결정하는 것을 특징으로하는 로봇의 전역 위치 추정 방법.
  16. 제3항에 있어서, 상기 로봇의 위치는
    상기 다음 시간의 샘플들로 결정된 샘플들의 중요도를 정규화하는 단계; 및
    정규화된 중요도를 상기 샘플들의 위치에 곱하고, 곱한 결과들을 가산하는 단계를 포함하여 결정되는 것을 특징으로하는 로봇의 전역 위치 추정 방법.
  17. 제1항에 있어서, 상기 최대 샘플 수는
    쿨백-라이블러 거리 계산 방법에 의해 결정됨을 특징으로하는 로봇의 전역 위치 추정 방법.
KR1020040020761A 2004-03-26 2004-03-26 로봇의 전역 위치 추정 방법 KR100601946B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020040020761A KR100601946B1 (ko) 2004-03-26 2004-03-26 로봇의 전역 위치 추정 방법
US11/089,213 US7280434B2 (en) 2004-03-26 2005-03-25 Method, medium, and apparatus for global localization

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020040020761A KR100601946B1 (ko) 2004-03-26 2004-03-26 로봇의 전역 위치 추정 방법

Publications (2)

Publication Number Publication Date
KR20050095384A KR20050095384A (ko) 2005-09-29
KR100601946B1 true KR100601946B1 (ko) 2006-07-14

Family

ID=34989646

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020040020761A KR100601946B1 (ko) 2004-03-26 2004-03-26 로봇의 전역 위치 추정 방법

Country Status (2)

Country Link
US (1) US7280434B2 (ko)
KR (1) KR100601946B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100809352B1 (ko) 2006-11-16 2008-03-05 삼성전자주식회사 파티클 필터 기반의 이동 로봇의 자세 추정 방법 및 장치
CN110919655A (zh) * 2019-12-03 2020-03-27 合肥工业大学 基于强化学习的外骨骼机器人动力辅助控制方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100601946B1 (ko) * 2004-03-26 2006-07-14 삼성전자주식회사 로봇의 전역 위치 추정 방법
KR100883792B1 (ko) * 2005-12-29 2009-02-18 한국생산기술연구원 이동 로봇의 위치 추정 시스템 및 그 방법
KR100774515B1 (ko) * 2006-06-20 2007-11-08 포항공과대학교 산학협력단 격자기반 지도를 이용한 자율이동로봇의 위치추정 방법
KR100877071B1 (ko) * 2007-07-18 2009-01-07 삼성전자주식회사 파티클 필터 기반의 이동 로봇의 자세 추정 방법 및 장치
KR101686169B1 (ko) 2010-02-09 2016-12-14 삼성전자주식회사 옥트리 기반의 3차원 맵 생성 장치 및 방법
KR101436858B1 (ko) * 2011-12-26 2014-09-02 고려대학교 산학협력단 불확실성을 이용한 자율 이동 로봇의 경로 생성 방법
CA2877763A1 (en) * 2012-06-26 2014-01-03 The Governing Council Of The University Of Toronto System, method and computer program for dynamic generation of a radio map
KR102096398B1 (ko) 2013-07-03 2020-04-03 삼성전자주식회사 자율 이동 로봇의 위치 인식 방법
CN106052693B (zh) * 2016-05-23 2019-05-24 上海钛米机器人科技有限公司 服务机器人室内全局定位方法
KR101888295B1 (ko) * 2017-01-24 2018-08-14 고려대학교 산학협력단 레이저 거리 센서의 측정 거리에 대해 추정된 거리 유형의 신뢰성을 평가하는 방법 및 이를 이용한 이동 로봇의 위치 추정 방법
CN110340877B (zh) * 2019-07-11 2021-02-05 深圳市杉川机器人有限公司 移动机器人及其定位方法和计算机可读存储介质
CN110779528B (zh) * 2019-11-07 2022-05-31 四川长虹电器股份有限公司 基于粒子滤波器的定位恢复方法及机器人设备
CN111474535B (zh) * 2020-03-18 2022-03-15 广东省智能机器人研究院 一种基于特征热力图的移动机器人全局定位方法
WO2022021133A1 (zh) * 2020-07-29 2022-02-03 上海高仙自动化科技发展有限公司 计算机设备定位方法、装置、计算机设备和存储介质
CN115218891B (zh) * 2022-09-01 2022-12-27 西华大学 一种移动机器人自主定位导航方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0527832A (ja) 1991-07-19 1993-02-05 Sanyo Electric Co Ltd 移動ロボツトの現在位置認識方法
JPH11249734A (ja) 1998-03-03 1999-09-17 Mitsubishi Heavy Ind Ltd 自律誘導装置
KR100601946B1 (ko) * 2004-03-26 2006-07-14 삼성전자주식회사 로봇의 전역 위치 추정 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100809352B1 (ko) 2006-11-16 2008-03-05 삼성전자주식회사 파티클 필터 기반의 이동 로봇의 자세 추정 방법 및 장치
CN110919655A (zh) * 2019-12-03 2020-03-27 合肥工业大学 基于强化学习的外骨骼机器人动力辅助控制方法

Also Published As

Publication number Publication date
US7280434B2 (en) 2007-10-09
KR20050095384A (ko) 2005-09-29
US20050213431A1 (en) 2005-09-29

Similar Documents

Publication Publication Date Title
KR100601946B1 (ko) 로봇의 전역 위치 추정 방법
CN109901153B (zh) 基于信息熵权和最近邻域数据关联的目标航迹优化方法
CN110503071B (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN105760811B (zh) 全局地图闭环匹配方法及装置
Olson et al. Robust range-only beacon localization
US8831778B2 (en) Method of accurate mapping with mobile robots
CN107526070A (zh) 天波超视距雷达的多路径融合多目标跟踪算法
CN110132284B (zh) 一种基于深度信息的全局定位方法
Bizup et al. Maneuver detection using the radar range rate measurement
US9213100B1 (en) Bearing-only tracking for horizontal linear arrays with rapid, accurate initiation and a robust track accuracy threshold
KR101888295B1 (ko) 레이저 거리 센서의 측정 거리에 대해 추정된 거리 유형의 신뢰성을 평가하는 방법 및 이를 이용한 이동 로봇의 위치 추정 방법
Li et al. Detection threshold selection for tracking performance optimization
Lan et al. Joint target detection and tracking in multipath environment: A variational Bayesian approach
US10254394B2 (en) Method for managing crossovers in the tracking of mobile objects, and associated device
CN111929653B (zh) 一种基于无人船航海雷达的目标检测、跟踪方法及系统
Blanding et al. ML-PDA: Advances and a new multitarget approach
CN111487612A (zh) 基于cpd的异地配置雷达/esm航迹抗差关联方法
CN117214857B (zh) 一种三维场景下高斯多假设多扩展目标的跟踪方法
CN114002667A (zh) 一种基于随机矩阵法的多近邻扩展目标跟踪算法
Murphy et al. Using incomplete online metric maps for topological exploration with the gap navigation tree
KR101045348B1 (ko) 직각 좌표계에서 도플러 속도를 이용한 표적 추적 방법
CN109633678A (zh) 大视场光电成像跟踪系统多约束条件航迹起始检测方法
Mullane et al. Including probabilistic target detection attributes into map representations
CN113933806A (zh) 一种天波雷达多路径量测聚类方法
Crouse et al. Sensor bias estimation in the presence of data association uncertainty

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20120615

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20130624

Year of fee payment: 8

LAPS Lapse due to unpaid annual fee