KR101484514B1 - 로봇 편대 형성의 안정성이 보장되는 입자 군집 최적화 기반 예측 제어 방법，시스템 및 서버 - Google Patents

로봇 편대 형성의 안정성이 보장되는 입자 군집 최적화 기반 예측 제어 방법，시스템 및 서버 Download PDF

Info

Publication number
KR101484514B1
KR101484514B1 KR20130068952A KR20130068952A KR101484514B1 KR 101484514 B1 KR101484514 B1 KR 101484514B1 KR 20130068952 A KR20130068952 A KR 20130068952A KR 20130068952 A KR20130068952 A KR 20130068952A KR 101484514 B1 KR101484514 B1 KR 101484514B1
Authority
KR
South Korea
Prior art keywords
robot
unit
particle
prediction
robots
Prior art date
Application number
KR20130068952A
Other languages
English (en)
Other versions
KR20140146696A (ko
Inventor
명현
이승목
김한근
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR20130068952A priority Critical patent/KR101484514B1/ko
Publication of KR20140146696A publication Critical patent/KR20140146696A/ko
Application granted granted Critical
Publication of KR101484514B1 publication Critical patent/KR101484514B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/10—Programme-controlled manipulators characterised by positioning means for manipulator elements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/02—Programme-controlled manipulators characterised by movement of the arms, e.g. cartesian coordinate type
    • B25J9/04—Programme-controlled manipulators characterised by movement of the arms, e.g. cartesian coordinate type by rotating at least one arm, excluding the head movement itself, e.g. cylindrical coordinate type or polar coordinate type
    • B25J9/046—Revolute coordinate type
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 로봇 편대의 제어 방법, 시스템 및 서버에 관한 것으로서, 구체적으로는 복수의 로봇이 일정한 편대를 형성함에 있어 단위 로봇의 방향각을 고려하여 입자를 수정하는 알고리즘을 이용하여 로봇 편대를 제어함으로써 안정적으로 편대를 형성하는 로봇 편대의 제어 방법, 시스템 및 서버에 관한 것이다.
본 발명은 로봇 편대에 대한 입자 군집 최적화에 기반한 예측 제어를 함에 있어서, 각 단위 로봇의 입자에 대하여, 최후 예측 구간 또는 그 이전 예측 구간에서 각 단위 로봇의 방향각 예정치가 방향각 목표치와 일치하도록 수정하는 입자 수정 단계를 포함하며, 상기 입자라 함은 상기 각 단위 로봇의 예측 구간 동안의 움직임을 나타내는 후보 해(solution candidate)를 의미하고, 상기 최후 예측 구간이라 함은 상기 입자 군집 최적화에 기반한 예측 제어에 있어서 전체 예측 구간을 하나 이상의 예측 구간으로 나누어 제어함에 있어 시간적으로 최후의 예측 구간을 의미하는 것을 특징으로 하는 로봇 편대의 제어 방법을 개시하며, 본 발명에 의하여 단위 로봇의 방향각 목표치를 고려하여 입자를 수정함으로써 로봇 편대의 안정성을 확보해 줄 수 있는 입자 수정 알고리즘을 사용하여 단위 로봇의 입자를 수정함으로써, 로봇 편대를 안정적이고 효과적으로 제어할 수 있는 로봇 편대의 제어 방법, 시스템 및 서버를 제공하는 효과를 갖는다.

Description

로봇 편대 형성의 안정성이 보장되는 입자 군집 최적화 기반 예측 제어 방법，시스템 및 서버 {Method, system and server of stability guaranteeing model predictive control based on particle swarm optimization}
본 발명은 로봇 편대의 제어 방법, 시스템 및 서버에 관한 것으로서, 구체적으로는 복수의 로봇이 일정한 편대를 형성함에 있어 단위 로봇의 방향각을 고려하여 입자를 수정하는 알고리즘을 이용하여 로봇 편대를 제어함으로써 안정적으로 편대를 형성하는 로봇 편대의 제어 방법, 시스템 및 서버에 관한 것이다.
최근 들어 지능형 로봇의 급속한 발전으로 인하여 산업 현장 및 일상 생활에서도 로봇을 활용하는 경우가 많아지고 있다. 특히 다수의 로봇이 일군의 편대를 이루어 협력 작업을 수행하는 로봇 편대 시스템은 건설, 국방, 보안 등 다양한 분야에서 많은 관심을 받고 있다.
로봇 편대 시스템의 특징은 단일 로봇에 비하여 작업 효율성 및 유연성 등에서 장점을 가진다. 예를 들어, 해저 탐사와 같이 광범위한 지역을 탐색하기 위해 단일 로봇으로 임무를 수행하는 경우, 그 효율성이 낮고 또한 로봇에 고장이 발생할 경우 임무 수행 자체가 불가능하게 된다. 반면 로봇 편대의 경우에는 넓은 지역을 효율적으로 탐색할 수 있고, 일부 로봇에 이상이 생기더라도 탐색 임무는 계속 수행하는 것이 가능하다.
이러한 로봇 편대의 제어와 관련하여 다양한 방법들이 시도되어 왔으나, 제한된 시간 내에 복잡한 비선형 특성을 가지는 시스템을 최적화하는 데에는 많은 어려움이 따른다. 종래, 로봇 편대의 제어를 위하여 표준 변화도 검색법(standard gradient search), Quadratic 프로그래밍, 혼합 정수 선형 프로그래밍(mixed-integer linear programming) 등의 방법이 시도되어 왔으나, 그 계산의 복잡성(computational complexity)으로 인하여 시스템의 복잡도가 증가함에 따라 계산 시간이 크게 늘어나게 되는 문제가 있었다.
이에 대하여, 근래 로봇 편대의 제어에 유전자 알고리즘(genetic algorithm) 등 진화 알고리즘(evolutionary algorithm)을 적용하려는 연구가 진행되고 있다. 또한 최근 들어서는, 입자 군집 최적화(particle swarm optimization, PSO) 기법을 모델 예측 제어(model predictive control, MPC) 기법과 함께 적용하는 연구가 각광을 받고 있는데, 이 경우 다수의 로봇 개체가 존재하더라도 빠른 계산 결과를 도출할 수 있다는 장점을 가진다.
도 1은 종래 기술에 따른 입자 군집 최적화 기법을 포함하는 로봇 편대 제어 알고리즘의 순서도를 보여 준다. 도 1에서 볼 수 있듯이, 각 단위 로봇의 위치를 파악한 후, 그 위치를 기준으로 로봇 편대의 형성이 상당 정도 진행되어 마무리 상태에 있는 경우, 마무리 상태 제어 단계로 진입하고, 그렇지 못할 경우 입자 군집 최적화 단계로 진입하여 각 단위 로봇을 제어하도록 하며, 필요할 경우 이러한 일련의 단계를 반복함으로써 로봇 편대를 제어하는 알고리즘을 구성할 수 있다.
여기서 마무리 상태 여부를 판단함에 있어서는, 각 단위 로봇 간의 거리를 기준으로 미리 설정된 범위에 들어오는 경우, 로봇 편대의 형성이 상당 부분 진행되었다고 보아, 마무리 상태에 해당한다고 판단할 수 있고, 이 경우 복잡한 단계를 거치는 입자 군집 최적화 단계를 거칠 필요 없이, 간단한 제어 로직 만으로 로봇 편대의 제어가 가능하게 된다.
도 2는 종래 기술에 따른 로봇 편대에 대한 입자 군집 최적화(Particle Swarm Optimization, PSO) 기반 예측 제어 방법의 순서도를 보여 주고 있다. 도 2에서 볼 수 있듯이, 먼저 각 단위 로봇의 현재 위치를 파악한 후, 각 단위 로봇의 최저 비용 입자 정보를 수집하여 예측 구간에서의 각 단위 로봇의 상태를 계산하고, 각 단위 로봇의 입자들을 초기화하여 설정한 뒤, 비용 함수 값을 계산하고, 이에 따르는 최저 비용 입자 정보를 갱신한 후, 각 입자의 속도 및 위치 정보를 갱신한다. 이어서 반복 조건을 살펴, 필요한 경우 반복(iteration)에 의하여 각 입자를 갱신하여 그 값을 개선해 나가게 된다. 이렇게 산정되는 최저 비용 입자를 바탕으로 로봇 편대의 각 단위 로봇을 제어할 수 있게 된다.
그러나, 상기와 같은 입자 군집 최적화 기반 예측 제어 기법은 로봇 편대의 제어에 있어서 편대를 구성하는 단위 로봇의 위치 에러가 점진적으로 수렴하지 못하고 발산하는 등 안정성의 문제가 발생할 수 있다.
이에 따라, 로봇 편대의 제어에 있어서 안정성을 확보함과 동시에, 실시간으로 로봇 편대를 제어하기 위하여 계산 복잡도가 낮고 계산 시간이 짧게 소요되는 로봇 편대의 제어 방법, 시스템 및 서버가 요구되고 있다.
본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위해 창안된 것으로, 로봇 편대를 안정적이고 효과적으로 제어할 수 있는 로봇 편대의 제어 방법, 시스템 및 서버를 제공하는 것을 목적으로 한다.
상기 과제를 해결하기 위한 본 발명의 한 측면에 로봇 편대 제어 방법은 로봇 편대에 대한 입자 군집 최적화에 기반한 예측 제어를 함에 있어서, 각 단위 로봇의 입자에 대하여, 최후 예측 구간 또는 그 이전 예측 구간에서 각 단위 로봇의 방향각 예정치가 방향각 목표치와 일치하도록 수정하는 입자 수정 단계를 포함하며, 상기 입자라 함은 상기 각 단위 로봇의 예측 구간 동안의 움직임을 나타내는 후보 해(solution candidate)를 의미하고, 상기 최후 예측 구간이라 함은 상기 입자 군집 최적화에 기반한 예측 제어에 있어서 전체 예측 구간을 하나 이상의 예측 구간으로 나누어 제어함에 있어 시간적으로 최후의 예측 구간을 의미하는 것을 특징으로 한다.
여기서, 상기 입자 수정 단계는, 상기 각 단위 로봇에 대하여, 하나 이상의 예측 구간에서의 입자를 상기 각 단위 로봇의 회전 각속도 최고치를 고려하여 수정하는 단계일 수 있다.
여기서, 상기 입자 수정 단계는, 상기 최후 예측 구간 또는 그 이전 예측 구간에서부터 시작하여, (a) 당해 예측 구간에서의 각 단위 로봇의 방향각의 목표치를 산정하는 단계; (b) 당해 예측 구간에서의 각 단위 로봇의 방향각의 예정치를 산정하는 단계; (c) 상기 각 단위 로봇의 방향각의 예정치로부터 각 단위 로봇의 각속도 목표치를 산정하는 단계; 및 (d) 상기 각 단위 로봇의 각속도 목표치가 각속도 최대치를 넘는 경우에는, 상기 각속도 최대치를 상기 각 단위 로봇의 각속도로 설정하는 (d1) 단계를 거치고, 상기 각 단위 로봇의 각속도 목표치가 최대 각속도를 넘지 않는 경우에는, 상기 각 단위 로봇의 각속도 목표치를 상기 각 단위 로봇의 각속도로 설정하는 (d2) 단계를 포함하며, 상기 (d1) 단계를 거친 후에는 상기 (a) 단계로 돌아가, 상기 당해 예측 구간의 직전 예측 구간에 대하여 다시 상기 (a) 내지 (d) 단계를 반복하고, 상기 (d2) 단계를 거친 후에는 상기 입자 수정 단계를 마칠 수 있다.
여기서, (p1) 각 단위 로봇들의 위치를 파악하는 단계; (p2) 상기 각 단위 로봇들의 위치를 기준으로 마무리 상태 여부를 판단하는 단계; (p3) 상기 마무리 상태로 판단될 경우, 마무리 상태 제어를 실시하는 단계; (p4) 상기 마무리 상태가 아닐 경우, 협동 진화 입자 군집 최적화 제어를 실시하는 단계; 및 (p5) 제어 종료 조건 만족 여부를 판별하여, 상기 (p1) 단계부터 다시 시작하거나, 제어를 종료하는 단계를 포함하며, 상기 (p4) 단계는 상기 입자 수정 단계를 포함하고, 상기 마무리 상태라 함은 상기 각 단위 로봇 사이의 간격이 미리 설정된 범위 내에 있는 상태임을 의미할 수 있다.
여기서, 상기 (p4) 단계에서 협동 진화 입자 군집 최적화 제어라 함은, (p4-1) 상기 각 단위 로봇의 현재 위치를 파악하는 단계; (p4-2) 상기 각 단위 로봇의 입자를 초기화하여 설정하는 단계; (p4-3) 상기 입자 수정 단계를 거쳐, 상기 입자를 수정하는 단계; (p4-4) 상기 각 단위 로봇의 정보로부터 상기 입자들의 비용 함수 값을 산정하는 단계; (p4-5) 상기 비용 함수 값으로부터 최저 비용 입자를 결정하는 단계; 및 (p4-6) 상기 각 단위 로봇의 입자를 상기 최저 비용 입자를 이용하여 갱신하는 단계를 포함할 수 있다.
여기서, 상기 (p4-6) 단계 이후에, 미리 설정된 반복 조건을 만족하는 경우 상기 (p4-4) 내지 (p4-6)단계를 다시 수행할 수 있다.
본 발명의 다른 측면에 따른 로봇 편대 제어 시스템은 로봇 편대에 대한 입자 군집 최적화에 기반한 예측 제어 시스템에 있어서, 상기 로봇 편대를 구성하는 복수의 단위 로봇; 및 상기 복수의 단위 로봇을 제어하는 서버를 포함하며,
상기 서버는 상기 각 단위 로봇의 입자를 산정함에 있어, 최후 예측 구간 또는 그 이전 예측 구간에서 각 단위 로봇의 방향각 예정치가 방향각 목표치와 일치하도록 입자를 수정하며, 여기서, 상기 입자라 함은 상기 각 단위 로봇의 예측 구간 동안의 움직임을 나타내는 후보 해(solution candidate)를 의미하고, 상기 최후 예측 구간이라 함은 상기 입자 군집 최적화에 기반한 예측 제어에 있어서 전체 예측 구간을 하나 이상의 예측 구간으로 나누어 제어함에 있어 시간적으로 최후의 예측 구간을 의미하는 것을 특징으로 한다.
여기서, 상기 서버는, 상기 각 단위 로봇에 대하여, 하나 이상의 예측 구간에서의 입자를 상기 각 단위 로봇의 회전 각속도 최고치를 고려하여 수정할 수 있다.
여기서, 상기 서버는 상기 단위 로봇 중 하나에서 구현되거나, 상기 복수의 단위 로봇에서 분산되어 구현되거나, 별개의 물리적 서버로서 구현될 수 있다.
본 발명의 또 다른 측면에 따른 로봇 편대 제어 서버는 로봇 편대에 대한 입자 군집 최적화에 기반한 예측 제어를 수행하는 제어 서버에 있어서, 상기 로봇 편대를 구성하는 각 단위 로봇의 입자를, 최후 예측 구간 또는 그 이전 예측 구간에서 각 단위 로봇의 방향각 예정치가 방향각 목표치와 일치하도록 수정하며, 여기서, 상기 입자라 함은 상기 각 단위 로봇의 예측 구간 동안의 움직임을 나타내는 후보 해(solution candidate)를 의미하고, 상기 최후 예측 구간이라 함은 상기 입자 군집 최적화에 기반한 예측 제어에 있어서 전체 예측 구간을 하나 이상의 예측 구간으로 나누어 제어함에 있어 시간적으로 최후의 예측 구간을 의미하는 것을 특징으로 한다.
여기서, 상기 서버는 상기 단위 로봇 중 하나에서 구현되거나, 상기 복수의 단위 로봇에서 분산되어 구현되거나, 별개의 물리적 서버로서 구현될 수 있다.
본 발명에 따르면, 단위 로봇의 방향각 목표치를 고려하여 입자를 수정함으로써 로봇 편대의 안정성을 확보해 줄 수 있는 입자 수정 알고리즘을 사용하여 단위 로봇의 입자를 수정함으로써, 로봇 편대를 안정적이고 효과적으로 제어할 수 있는 로봇 편대의 제어 방법, 시스템 및 서버를 제공하는 효과를 갖는다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 종래 기술에 따른 로봇 편대 제어 알고리즘의 순서도.
도 2는 종래 기술에 따른 로봇 편대에 대한 입자 군집 최적화 기반 예측 제어 방법의 순서도.
도 3은 본 발명의 일 실시예에 따른 로봇 편대에 대한 입자 군집 최적화 기반 예측 제어 방법의 순서도.
도 4는 본 발명의 일 실시예에 따른 로봇 편대에 대한 입자 군집 최적화 기반 예측 제어 방법에서의 입자 수정 알고리즘의 도해.
도 5는 본 발명의 일 실시예에 따른 로봇 편대에 대한 입자 군집 최적화 기반 예측 제어 방법에서의 입자 수정 알고리즘의 순서도.
도 6는 본 발명의 일 실시예에 따른 로봇 편대에 대한 입자 군집 최적화 기반 예측 제어 시스템의 블럭도.
도 7은 본 발명의 일 실시예에 따른 5 단위 로봇 편대의 주행 경로.
도 8은 본 발명의 일 실시예에 따른 5 단위 로봇 편대의 주행시 경로 오차의 최대치 및 평균치 그래프.
도 9는 본 발명의 일 실시예에 따른 입자의 숫자에 따른 입자 수정 알고리즘의 효과 그래프.
도 10은 본 발명의 일 실시예에 따른 10개의 입자가 사용된 경우의 입자 수정 알고리즘의 효과.
도 11은 본 발명의 일 실시예에 따른 삼각 편대 로봇의 원형 경로에서의 주행 사진.
도 12는 본 발명의 일 실시예에 따른 3 단위 로봇 편대의 원형 경로에서의 주행 경로 측정 그래프.
도 13은 도 12의 경우의 주행 경로 오차 비교 그래프.
도 14는 본 발명의 일 실시예에 따른 로봇 편대의 원형 경로 주행 중 편대 변경시 경로 측정 그래프.
도 15는 도 14의 경우의 편대 변경시 경로 오차 비교 그래프.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 이하에서는 특정 실시예들을 첨부된 도면을 기초로 상세히 설명하고자 한다.
본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되는 것은 아니며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 발명은 종래 로봇 편대(620)의 제어에 있어서 입자 군집 최적화에 기반한 예측 제어 기법을 적용하는 경우, 단위 로봇(610)의 위치 오차가 점진적으로 수렴하지 못하고 발산하는 등 안정성의 문제가 발생할 수 있어 이에 대한 개선이 요구되고, 또한 이를 실시간으로 제어하기 위해서는 계산 복잡도가 낮고 계산 시간이 짧게 소요되는 제어 알고리즘이 필요하다는 점에 착안하여, 복수의 단위 로봇(610)이 일정한 로봇 편대(620)를 형성함에 있어 단위 로봇(610)의 방향각을 고려하여 입자를 수정하는 알고리즘을 이용하여 로봇 편대(620)를 제어함으로써 안정적이고 효과적으로 편대를 형성하는 로봇 편대(620)의 제어 방법, 시스템 및 서버를 개시하는 것을 특징으로 하는 것이다.
여기서 입자(particle)라 함은 단위 로봇(610)의 일정한 예측 구간 동안의 움직임을 나타내는 후보 해(solution candidate)를 말하고, 입자 군집 최적화(particle swarm optimization)라 함은 복수의 입자 즉 입자 군집을 사용하여 로봇 편대(620)의 각 단위 로봇(610)의 입자 군집 중 최적치를 산출해 내는 기법을 말한다. 또한 예측 제어 기법이라 함은 미래의 일정한 시간적 구간에 대하여 단위 로봇(610)의 움직임을 미리 고려하여 그 최적치를 산정하고 제어하는 기법을 말한다.
도 3은 본 발명의 일 실시예에 따른 로봇 편대에 대한 협동 진화 입자 군집 최적화(Cooperative Coevolution Particle Swarm Optimization, CCPSO) 기반 예측 제어 방법의 순서도를 도시하고 있다. 도 2의 종래 입자 군집 최적화에 기반한 예측 제어 방법과 비교하여 볼 때, 입자 수정 단계(S306)가 추가된 것을 알 수 있다. 상기의 입자 수정 단계(S306)에서는 로봇 편대(620) 형성의 안정성을 확보하기 위하여 최후 예측 구간의 각 단위 로봇(610)의 방향각 예정치가 각 단위 로봇(610)의 방향각 목표치와 일치되도록 입자를 수정하게 된다.
이러한 입자 수정 알고리즘을 설명하기 위하여 도 4를 살핀다. 도 4는 본 발명의 일 실시예에 따른 로봇 편대(620)에 대한 협동 진화 입자 군집 최적화 기반 예측 제어 방법에서의 입자 수정 알고리즘을 도해하고 있다.
본 발명의 발명자들은 로봇 편대(620) 형성의 안정성을 보장하기 위해서는 상기 최후 예측 구간에서의 단위 로봇(610)의 방향각 예정치(θj,N)와 단위 로봇(610)의 방향각 목표치(θΩ)가 일치되어야 한다는 점을 밝혔고, 이를 이용하여 상기 단위 로봇(610)의 입자를 수정하여 상기 방향각 예정치(θj,N)과 방향각 목표치(θΩ)를 일치시킴으로써 로봇 편대(620)의 안정성을 확보하는 로봇 편대(620)의 제어 방법, 시스템 및 서버를 개시한다.
여기서 단위 로봇(610)의 방향각 예정치라 함은 예정 구간에서의 입자에 따라 결정되는 상기 단위 로봇(610)의 방향각을 의미하며, 단위 로봇(610)의 방향각 목표치라 함은 상기 단위 로봇(610)의 주행 경로 및 편대 대형을 고려할 때 상기 단위 로봇(610)이 갖추어야 할 방향각을 의미한다. 따라서 상기 단위 로봇(610)의 회전 각속도 최고치를 고려하여, 상기 예측 구간에서의 입자를 미리 수정함으로써, 로봇 편대(620) 형성의 안정성을 확보할 수 있게 된다.
도 4(a)는 입자 수정전의 단위 로봇(610)의 예측 구간에서의 상태를 보여주고 있다. 이때, N번째 예측 구간, 즉 최후 예측 구간에서의 단위 로봇(610)의 방향각 예정치(θj,N)와 단위 로봇(610)의 방향각 목표치(θΩ)가 불일치하고 있음을 알 수 있다. 따라서, 이를 일치시키기 위하여 N번째 예측 구간에서의 단위 로봇(610)의 방향각을 회전 가능한 각속도를 고려하여 수정하고, 다시 N-1, N-2, ..., m번째 예측 구간에서 이를 반복하여, 상기 최후 예측 구간에서의 단위 로봇(610)의 방향각 예정치(θj,N)와 방향각 목표치(θΩ)가 일치할 수 있도록 각 단위 로봇(610)의 입자를 수정하게 된다.
도 4(b)는 상기와 같은 과정의 일부로서 j번째 단위 로봇(610)의 m-1 예측 구간에서의 각속도(ωj,m-1) 가 수정된 경우를 보여 주고 있다. 여기서 m-1 예측 구간에서의 각속도의 수정으로 인하여, 최후 예측 구간에서의 단위 로봇(610)의 방향각 예정치(θj,N)와 방향각 목표치(θΩ)가 일치하게 되었음을 알 수 있다.
상기와 같은 방법 외에도, 최후 예측 구간의 이전에 상기 단위 로봇(610)의 방향각 예정치(θj,N)와 방향각 목표치(θΩ)가 일치시키면 그 상태가 최후 예측 구간까지 유지될 수 있어 로봇 편대(620)의 안정성을 확보할 수 있다.
상기와 같은 입자 수정 알고리즘은 도 5와 같이 표현될 수 있다. 도 5는 본 발명의 일 실시예에 따른 로봇 편대(620)에 대한 협동 진화 입자 군집 최적화 기반 예측 제어 방법에서의 입자 수정 알고리즘의 순서도를 보여 준다. 상기 입자 수정 알고리즘은, 최후 예측 구간 또는 그 이전 예측 구간에서부터 시작하여, 당해 예측 구간에서의 각 단위 로봇(610)의 방향각의 목표치를 산정하는 단계(S510), 당해 예측 구간에서의 각 단위 로봇(610)의 방향각의 예정치를 산정하는 단계(S520), 상기 각 단위 로봇(610)의 방향각의 예정치로부터 각 단위 로봇(610)의 각속도 목표치를 산정하는 단계(S530), 상기 각 단위 로봇(610)의 각속도 목표치를 단위 로봇(610)의 각속도 최대치와 비교하는 단계(S540), 상기 각 단위 로봇(610)의 각속도 목표치가 각속도 최대치를 넘는 경우 상기 각속도 최대치를 상기 각 단위 로봇(610)의 각속도로 설정하는 단계(S550)를 거치고, 상기 각 단위 로봇(610)의 각속도가 최대 각속도를 넘지 않는 경우 상기 각 단위 로봇(610)의 각속도 목표치를 상기 각 단위 로봇(610)의 각속도로 설정하는 단계(S560)를 포함하며, 상기 S550 단계 이후에는 각 단위 로봇(610)의 상태 궤적을 갱신하는 단계(S570)를 거쳐 상기 일련의 단계를 반복하게 되고, 상기 S560 단계 이후에는 단위 로봇(610)의 방향각 설정이 완료되었으므로 상기 입자 수정 알고리즘을 끝마치게 된다.
상기 당해 예측 구간에서의 각 단위 로봇(610)의 방향각의 목표치를 산정하는 단계(S510)에서는 로봇 편대(620)의 예정 경로와 단위 로봇(610)의 편대에서의 위치를 고려하여 당해 예측 구간에서의 단위 로봇(610)의 방향각 목표치를 산출하게 된다.
이어서 당해 예측 구간에서의 각 단위 로봇(610)의 방향각의 예정치를 산정하는 단계(S520)에서는 단위 로봇(610)의 입자를 고려하여 상기 단위 로봇(610)이 취하게 될 방향각의 예정치를 산출한다.
상기 각 단위 로봇(610)의 방향각의 예정치로부터 각 단위 로봇(610)의 각속도 목표치를 산정하는 단계(S530)에서는 상기 단계에서 산출된 단위 로봇(610)의 방향각 목표치와 방향각 예정치의 차이를 고려하여 단위 로봇의 회전에 필요한 각속도 목표치를 산출한다.
상기 각 단위 로봇(610)의 각속도 목표치를 단위 로봇(610)의 각속도 최대치와 비교하는 단계(S540)에서는 상기 각속도 목표치와 실제 단위 로봇이 회전할 수 있는 각속도 최대치를 비교하고, 그 결과에 따라 각 단위 로봇의 실제 각속도를 각속도 최대치로 제한하여 설정하거나, 제한하지 않고 각속도를 설정하게 된다(S550, S560).
이어서 단위 로봇의 회전이 더 필요한 경우, 당해 예측 구간의 직전 예측 구간에 대하여 상기 단계를 반복함으로써, 결국 최후 예측 구간에서의 단위 로봇(610)의 방향각 예정치를 방향각 목표치와 일치시킬 수 있고, 이에 따라, 상기 단위 로봇(610)들로 구성되는 로봇 편대(620)은 안정적으로 편대를 형성할 수 있게 된다.
도 6은 본 발명의 일 실시예에 따른 로봇 편대(620)에 대한 협동 진화 입자 군집 최적화 기반 예측 제어 시스템(600)의 블록도를 도시하고 있다. 본 발명의 일 실시예에 따른 로봇 편대(620)에 대한 협동 진화 입자 군집 최적화 기반 예측 제어 시스템은 복수의 단위 로봇(610) 및 상기 복수의 단위 로봇(610)을 제어하는 서버(630)를 포함하여 구성될 수 있다. 상기 로봇 편대(620)은 이동 예정 경로(640)을 따라 대형을 유지하며 이동하게 된다. 이때 상기 서버는 상기 복수의 단위 로봇(610)으로 구성되는 편대에 대하여 협동 진화 입자 군집 최적화에 기반한 예측 제어를 시행하고, 이에 따라 상기 각 단위 로봇(610)의 입자를 산정함에 있어 최후 예측 구간 또는 그 이전 예측 구간에서 각 단위 로봇(610)의 방향각 예정치가 각 단위 로봇(610)의 방향각 목표치와 일치하도록 입자를 수정하게 된다.
이때, 상기 서버(630)는 반드시 상기 단위 로봇(610)과 별개의 물리적 서버로 구현되어야 하는 것은 아니고, 상기 단위 로봇(610) 중 하나에서 구현되거나, 상기 복수의 단위 로봇(610)에서 분산되어 구현될 수도 있다.
[실시예 1] 5대의 단위 로봇(610)으로 구성된 로봇 편대(620)에 대한 시뮬레이션 결과
아래에서는 5대의 단위 로봇(610)으로 구성된 로봇 편대(620)에 대하여 시뮬레이션을 실시한 결과를 설명한다. 본 발명의 일 실시예에 따른 입자 수정 알고리즘을 적용한 협동 진화 입자 군집 최적화(Cooperative Coevolution Particle Swarm Optimization, CCPSO) 기반 예측 제어의 경우와 종래 입자 군집 최적화(Particle Swarm Optimization, PSO) 기반 예측 제어의 경우에 대하여 시뮬레이션을 실시하고 비교함으로써 그 성능을 검증하였다. 이때, 입자 군집으로 50개의 입자를 사용하였고, 입자 군집 최적화시에 반복(iteration)은 최대 100번까지 실시되었다.
도 7은 본 발명의 일 실시예에 따른 5대의 단위 로봇(610)으로 구성된 로봇 편대(620)의 주행 경로를 도시하고 있다. 도 7(a)는 종래 PSO 기반 예측 제어에 의한 5대의 단위 로봇(610)으로 구성된 로봇 편대(620)의 주행 경로를, 도 7(b)는 본 발명의 일 실시예에 따른 CCPSO 기반 예측 제어에 의한 5대의 단위 로봇(610)으로 구성된 로봇 편대(620)의 주행 경로를 각각 보여 주고 있다. 여기서 볼 수 있듯이, 본 발명의 일 실시예에 따른 CCPSO 기반 예측 제어에 의한 도 7(b)의 경우가 보다 안정적으로 편대를 형성하면서 이동하는 것을 확인할 수 있다.
이는 또한 도 8의 경로 오차 그래프에서 보다 명확하게 나타난다. 도 8은 본 발명의 일 실시예에 따른 5대의 단위 로봇(610)으로 구성된 로봇 편대(620)의 주행시 경로 오차의 최대치 및 평균치 그래프를 도시하고 있다. 도 8(a)와 도 8(b)에서 볼 수 있듯이 본 발명의 일 실시예에 따른 CCPSO 기반 예측 제어의 경우 경로 오차의 평균치 및 최대치가 각각 종래 PSO 기반 예측 제어의 경우 보다 명백하게 작게 나타나고 있음을 확인할 수 있다. 또한, 도 8(b)의 경우 편대 변경이 발생한 이후 경로 오차가 점진적으로 작아지면서 안정성을 유지하는 반면, 도 8(a)의 경우 편대 변경 이후 경로 오차가 0으로 점진적으로 수렴하지 못하고 불안정한 형태를 보임을 알 수 있다.
도 9는 본 발명의 일 실시예에 따른 입자의 숫자에 따른 입자 수정 알고리즘의 효과를 그래프로 도시하고 있다. 이때 각 사용된 입자의 숫자 별로 30회의 실험에 대한 평균치를 사용하였다. 도 9에서 알 수 있듯이 종래 제어 방식을 따를 경우 입자 숫자가 작을 때 경로 오차가 커질 수 있으나, 본 발명의 일 실시예에 따른 입자 수정 알고리즘을 적용한 제어 방식의 경우, 입자 숫자가 작을 때에도 경로 오차가 커지지 않는다는 점을 확인할 수 있다. 이는 입자 숫자가 늘어남에 따라 계산 복잡도가 증가하고 계산 시간이 크게 늘어나게 되는 문제점을 볼 때, 본 발명에 따를 경우 그 계산 복잡도와 계산 시간을 줄임과 동시에 경로 오차를 늘이지 않으면서도, 로봇 편대(620) 형성의 안정성을 개선할 수 있다는 점을 의미한다.
도 10은 본 발명의 일 실시예에 따른 10개의 입자가 사용된 경우의 입자 수정 알고리즘의 효과를 보여 준다. 도 10에서 볼 수 있듯이 10개의 입자를 사용한 경우, 종래 제어 방식은 편대 변경 후 경로 오차가 점진적으로 수렴하지 못하고 불안정한 모습을 보이는 반면, 본 발명의 일 실시예에 따른 입자 수정 알고리즘을 적용하는 경우 편대 변경 후 점진적으로 경로 오차가 0으로 수렴하는 안정적인 모습을 보임을 확인할 수 있다.
[실시예 2] 3대의 단위 로봇으로 구성된 로봇 편대에 대한 실험 결과
도 11은 본 발명의 일 실시예에 따른 삼각 편대 로봇의 원형 경로에서의 주행 사진을 보여 주고 있다. 이때 이동 로봇 플랫폼으로는 CNRRobot사의 CRX 10이 사용되었고, 로봇 편대(620)의 자세 및 위치 파악은 Motion Analysis사의 Eagle Digital Realtime System을 사용하여 TCP/IP 베이스로 구현되었고, 각 단위 로봇(610)간의 통신에도 TCP/IP 프로토콜을 사용하였다. 각 단위 로봇(610)에 대한 제어는 5Hz 주기로 실시되었고, 입자 수정 알고리즘은 30개의 입자에 대하여 100번 반복(iteration)되었다. 실험에 사용된 원형 경로는 반경 3m의 크기이고, 3대의 단위 로봇(610) 중 로봇 1만이 예정 경로 정보를 알고, 3대의 단위 로봇(610)은 이등변 삼각 편대를 이루도록 했다.
도 12는 본 발명의 일 실시예에 따른 3개의 단위 로봇(610)으로 구성된 로봇 편대(620)의 원형 경로에서의 주행 경로 측정 그래프를 도시하고 있다. 또한 도 13(a)는 도 12의 경우의 주행 경로 오차 비교 그래프를 보여 주고 있다. 여기서 알 수 있듯이 본 발명의 일 실시예에 따른 CCPSO 기반 예측 제어에 의하여 로봇 편대(620)를 제어하는 경우, 종래 PSO 기반 예측 제어에 의한 경로 오차보다 경로 오차를 줄이면서 원형 경로를 따라 주행하는 것을 확인할 수 있다. 이에 대하여 도 13(b)는 예정 경로와 로봇 편대(620) 중심점과의 유클리디안 거리에 따르는 누적 측정 오차 확률 분포도를 보여 주고 있다. 여기서 볼 수 있듯이 본 발명의 일 실시예에 따른 CCPSO 기반 예측 제어의 경우 80% 수준 오차가 16.2cm에 불과한 반면, 종래 PSO 기반 예측 제어의 경우 80% 수준 오차가 83.9cm에 달하는 것을 확인할 수 있고, 결국 본 발명의 일 실시예에 따른 CCPSO 기반 예측 제어를 통하여 로봇 편대(620)의 형성 및 주행이 보다 정확하게 이루어지고 있다는 점을 알 수 있다.
도 14는 본 발명의 일 실시예에 따른 로봇 편대(620)의 원형 경로 주행 중 편대 변경시 이동 경로를 도시하고 있고, 도 15는 도 14의 경우의 편대 변경시 경로 오차 비교 그래프를 도시하고 있다. 여기서, 종래 PSO 기반 예측 제어의 경우 34초에 편대 변경이 실시되었고, 본 발명의 일 실시예에 따른 CCPSO 기반 예측 제어의 경우 10초에 편대 변경이 실시되었다. 도14(a)에서 볼 수 있듯이 종래 PSO 기반 예측 제어의 경우, 34초의 시점에 편대 변경이 실시된 후 로봇 편대(620)가 안정성을 잃어 새로운 편대를 형성하지 못하고 흩어져 버린 것을 알 수 있다. 이는 도 15에서 종래 PSO 기반 예측 제어의 경우 경로 오차가 34초 이후에 수렴하지 못하고 발산하는 것에서도 확인할 수 있다. 반면 본 발명의 일 실시예에 따른 CCPSO 기반 예측 제어의 경우 10초의 시점에 삼각 편대에서 일자 편대로 변경이 실시된 후에도 점진적으로 경로 오차를 줄여 나가면서 안정적으로 편대를 갖추어 나가는 것을 확인할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 기재된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의해서 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
600 : 로봇 편대에 대한 협동 진화 입자 군집 최적화 기반 예측 제어 시스템
610 : 단위 로봇
620 : 로봇 편대
630 : 서버
640 : 이동 예정 경로

Claims (11)

  1. 로봇 편대에 대한 입자 군집 최적화에 기반한 예측 제어를 함에 있어서,
    복수의 단위 로봇이 소정의 편대 대형을 이루어 소정의 경로를 따라 주행하는 경우에,
    각 단위 로봇의 입자에 대하여,
    최후 예측 구간 또는 그 이전 예측 구간에서 각 단위 로봇의 방향각 예정치가 방향각 목표치와 일치하도록 수정하는 입자 수정 단계를 포함하며,
    상기 입자라 함은 상기 각 단위 로봇의 예측 구간 동안의 움직임을 나타내는 후보 해(solution candidate)를 의미하고,
    상기 최후 예측 구간이라 함은 상기 입자 군집 최적화에 기반한 예측 제어에 있어서 전체 예측 구간을 하나 이상의 예측 구간으로 나누어 제어함에 있어 시간적으로 최후의 예측 구간을 의미하며,
    상기 방향각 예정치는 상기 각 단위 로봇이 상기 입자에 따라 제어되는 경우, 최후 예측 구간 또는 그 이전 예측 구간에서 상기 각 단위 로봇이 취하게 될 방향각을 의미하고,
    상기 방향각 목표치는 상기 각 단위 로봇의 각속도 최대치를 고려할 때, 상기 각 단위 로봇이 상기 최후 예측 구간 또는 그 이전 예측 구간에서 상기 편대 대형 및 주행 경로를 유지하기 위하여 취하여야 하는 방향각을 의미하는 것을 특징으로 하는 로봇 편대 제어 방법.
  2. 제1항에 있어서,
    상기 입자 수정 단계는,
    상기 각 단위 로봇에 대하여,
    하나 이상의 예측 구간에서의 입자를 상기 각 단위 로봇의 회전 각속도 최고치를 고려하여 수정하는 단계인 것을 특징으로 하는 로봇 편대 제어 방법.
  3. 제2항에 있어서,
    상기 입자 수정 단계는,
    상기 최후 예측 구간 또는 그 이전 예측 구간에서부터 시작하여,
    (a) 당해 예측 구간에서의 각 단위 로봇의 방향각의 목표치를 산정하는 단계;
    (b) 당해 예측 구간에서의 각 단위 로봇의 방향각의 예정치를 산정하는 단계;
    (c) 상기 각 단위 로봇의 방향각의 예정치로부터 각 단위 로봇의 각속도 목표치를 산정하는 단계; 및
    (d) 상기 각 단위 로봇의 각속도 목표치가 각속도 최대치를 넘는 경우에는,
    상기 각속도 최대치를 상기 각 단위 로봇의 각속도로 설정하는 (d1) 단계를 거치고,
    상기 각 단위 로봇의 각속도 목표치가 최대 각속도를 넘지 않는 경우에는,
    상기 각 단위 로봇의 각속도 목표치를 상기 각 단위 로봇의 각속도로 설정하는 (d2) 단계를 포함하며,
    상기 (d1) 단계를 거친 후에는 상기 (a) 단계로 돌아가,
    상기 당해 예측 구간의 직전 예측 구간에 대하여 다시 상기 (a) 내지 (d) 단계를 반복하고,
    상기 (d2) 단계를 거친 후에는 상기 입자 수정 단계를 마치는 것을 특징으로 하는 로봇 편대 제어 방법.
  4. 제1항에 있어서,
    (p1) 각 단위 로봇들의 위치를 파악하는 단계;
    (p2) 상기 각 단위 로봇들의 위치를 기준으로 마무리 상태 여부를 판단하는 단계;
    (p3) 상기 (p2) 단계에서 마무리 상태로 판단될 경우, 마무리 상태 제어를 실시하는 단계;
    (p4) 상기 (p2) 단계에서 마무리 상태가 아닌 것으로 판단될 경우, 협동 진화 입자 군집 최적화 제어를 실시하는 단계; 및
    (p5) 제어 종료 조건 만족 여부를 판별하여, 상기 (p1) 단계부터 다시 시작하거나, 제어를 종료하는 단계를 포함하며,
    상기 (p4) 단계는 상기 입자 수정 단계를 포함하고,
    상기 마무리 상태라 함은 상기 각 단위 로봇 사이의 간격이 미리 설정된 범위 내에 있는 상태임을 의미하는 것을 특징으로 하는 로봇 편대 제어 방법.
  5. 제4항에 있어서,
    상기 (p4) 단계에서 협동 진화 입자 군집 최적화 제어라 함은,
    (p4-1) 상기 각 단위 로봇의 현재 위치를 파악하는 단계;
    (p4-2) 상기 각 단위 로봇의 입자를 초기화하여 설정하는 단계;
    (p4-3) 상기 입자 수정 단계를 거쳐, 상기 입자를 수정하는 단계;
    (p4-4) 상기 각 단위 로봇의 정보로부터 상기 입자들의 비용 함수 값을 산정하는 단계;
    (p4-5) 상기 비용 함수 값으로부터 최저 비용 입자를 결정하는 단계; 및
    (p4-6) 상기 각 단위 로봇의 입자를 상기 최저 비용 입자를 이용하여 갱신하는 단계를 포함하는 것을 특징으로 하는 로봇 편대 제어 방법.
  6. 제5항에 있어서,
    상기 (p4-6) 단계 이후에,
    미리 설정된 반복 조건을 만족하는 경우 상기 (p4-4) 내지 (p4-6)단계를 다시 수행하는 것을 특징으로 하는 로봇 편대 제어 방법.
  7. 로봇 편대에 대한 입자 군집 최적화에 기반한 예측 제어 시스템에 있어서,
    복수의 단위 로봇이 소정의 편대 대형을 이루어 소정의 경로를 따라 주행하는 경우에,
    상기 로봇 편대를 구성하는 복수의 단위 로봇; 및
    상기 복수의 단위 로봇을 제어하는 서버를 포함하며,
    상기 서버는 상기 각 단위 로봇의 입자를 산정함에 있어,
    최후 예측 구간 또는 그 이전 예측 구간에서 각 단위 로봇의 방향각 예정치가 방향각 목표치와 일치하도록 입자를 수정하며,
    여기서, 상기 입자라 함은 상기 각 단위 로봇의 예측 구간 동안의 움직임을 나타내는 후보 해(solution candidate)를 의미하고,
    상기 최후 예측 구간이라 함은 상기 입자 군집 최적화에 기반한 예측 제어에 있어서 전체 예측 구간을 하나 이상의 예측 구간으로 나누어 제어함에 있어 시간적으로 최후의 예측 구간을 의미하며,
    상기 방향각 예정치는 상기 각 단위 로봇이 상기 입자에 따라 제어되는 경우, 최후 예측 구간 또는 그 이전 예측 구간에서 상기 각 단위 로봇이 취하게 될 방향각을 의미하고,
    상기 방향각 목표치는 상기 각 단위 로봇의 각속도 최대치를 고려할 때, 상기 각 단위 로봇이 상기 최후 예측 구간 또는 그 이전 예측 구간에서 상기 편대 대형 및 주행 경로를 유지하기 위하여 취하여야 하는 방향각을 의미하는 것을 특징으로 하는 로봇 편대 제어 시스템.
  8. 제7항에 있어서,
    상기 서버는,
    상기 각 단위 로봇에 대하여,
    하나 이상의 예측 구간에서의 입자를 상기 각 단위 로봇의 회전 각속도 최고치를 고려하여 수정하는 것을 특징으로 하는 로봇 편대 제어 시스템.
  9. 제7항에 있어서,
    상기 서버는 상기 단위 로봇 중 하나에서 구현되거나, 상기 복수의 단위 로봇에서 분산되어 구현되거나, 별개의 물리적 서버로서 구현될 수 있음을 특징으로 하는 로봇 편대 제어 시스템.
  10. 로봇 편대에 대한 입자 군집 최적화에 기반한 예측 제어를 수행하는 제어 서버에 있어서,
    복수의 단위 로봇이 소정의 편대 대형을 이루어 소정의 경로를 따라 주행하는 경우에,
    상기 로봇 편대를 구성하는 각 단위 로봇의 입자를,
    최후 예측 구간 또는 그 이전 예측 구간에서 각 단위 로봇의 방향각 예정치가 방향각 목표치와 일치하도록 수정하며,
    여기서, 상기 입자라 함은 상기 각 단위 로봇의 예측 구간 동안의 움직임을 나타내는 후보 해(solution candidate)를 의미하고,
    상기 최후 예측 구간이라 함은 상기 입자 군집 최적화에 기반한 예측 제어에 있어서 전체 예측 구간을 하나 이상의 예측 구간으로 나누어 제어함에 있어 시간적으로 최후의 예측 구간을 의미하며,
    상기 방향각 예정치는 상기 각 단위 로봇이 상기 입자에 따라 제어되는 경우, 최후 예측 구간 또는 그 이전 예측 구간에서 상기 각 단위 로봇이 취하게 될 방향각을 의미하고,
    상기 방향각 목표치는 상기 각 단위 로봇의 각속도 최대치를 고려할 때, 상기 각 단위 로봇이 상기 최후 예측 구간 또는 그 이전 예측 구간에서 상기 편대 대형 및 주행 경로를 유지하기 위하여 취하여야 하는 방향각을 의미하는 것을 특징으로 하는 로봇 편대 제어 서버.
  11. 제10항에 있어서,
    상기 서버는 상기 단위 로봇 중 하나에서 구현되거나, 상기 복수의 단위 로봇에서 분산되어 구현되거나, 별개의 물리적 서버로서 구현될 수 있음을 특징으로 하는 로봇 편대 제어 서버.
KR20130068952A 2013-06-17 2013-06-17 로봇 편대 형성의 안정성이 보장되는 입자 군집 최적화 기반 예측 제어 방법，시스템 및 서버 KR101484514B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20130068952A KR101484514B1 (ko) 2013-06-17 2013-06-17 로봇 편대 형성의 안정성이 보장되는 입자 군집 최적화 기반 예측 제어 방법，시스템 및 서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20130068952A KR101484514B1 (ko) 2013-06-17 2013-06-17 로봇 편대 형성의 안정성이 보장되는 입자 군집 최적화 기반 예측 제어 방법，시스템 및 서버

Publications (2)

Publication Number Publication Date
KR20140146696A KR20140146696A (ko) 2014-12-29
KR101484514B1 true KR101484514B1 (ko) 2015-01-21

Family

ID=52590993

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20130068952A KR101484514B1 (ko) 2013-06-17 2013-06-17 로봇 편대 형성의 안정성이 보장되는 입자 군집 최적화 기반 예측 제어 방법，시스템 및 서버

Country Status (1)

Country Link
KR (1) KR101484514B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101669622B1 (ko) * 2015-07-15 2016-10-26 국방과학연구소 무인주행차량의 자율주행을 위한 최적화기반 경로계획 방법 및 그 장치
CN109262612A (zh) * 2018-10-09 2019-01-25 北京邮电大学 一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法
CN109521797A (zh) * 2018-12-28 2019-03-26 西北工业大学 无人船引导水下航行器群的优化割草型编队控制方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884900B (zh) * 2019-04-03 2022-04-12 东南大学 基于自适应模型预测控制的收获机路径跟踪控制器的设计方法
CN112405547B (zh) * 2020-11-30 2022-03-08 湖南科技大学 未知环境下的群机器人多目标搜索方法
CN114147715A (zh) * 2021-12-09 2022-03-08 乐聚(深圳)机器人技术有限公司 机器人运动轨迹处理方法、装置、控制器及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101357278B1 (ko) 2012-04-16 2014-01-29 한국과학기술원 로봇 편대 제어 방법, 그 시스템, 및 기록 매체

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101357278B1 (ko) 2012-04-16 2014-01-29 한국과학기술원 로봇 편대 제어 방법, 그 시스템, 및 기록 매체

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Particle swarm optimazation for nonlinear modl predictive control", Julian Mercieca and Simon G. Fabri, The Fifth International conference on Advanced Engineering Computing and Applications in Scienc *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101669622B1 (ko) * 2015-07-15 2016-10-26 국방과학연구소 무인주행차량의 자율주행을 위한 최적화기반 경로계획 방법 및 그 장치
CN109262612A (zh) * 2018-10-09 2019-01-25 北京邮电大学 一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法
CN109262612B (zh) * 2018-10-09 2021-09-17 北京邮电大学 一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法
CN109521797A (zh) * 2018-12-28 2019-03-26 西北工业大学 无人船引导水下航行器群的优化割草型编队控制方法

Also Published As

Publication number Publication date
KR20140146696A (ko) 2014-12-29

Similar Documents

Publication Publication Date Title
KR101484514B1 (ko) 로봇 편대 형성의 안정성이 보장되는 입자 군집 최적화 기반 예측 제어 방법，시스템 및 서버
CN111152212B (zh) 一种基于功率最优的机械臂移动轨迹规划方法及装置
CN110597061B (zh) 一种多智能体完全分布式自抗扰时变编队控制方法
Neunert et al. Fast nonlinear model predictive control for unified trajectory optimization and tracking
Nguyen-Tuong et al. Local gaussian process regression for real-time model-based robot control
Bastani Safe reinforcement learning with nonlinear dynamics via model predictive shielding
Duan et al. Non-linear dual-mode receding horizon control for multiple unmanned air vehicles formation flight based on chaotic particle swarm optimisation
Lee et al. Cooperative coevolutionary algorithm-based model predictive control guaranteeing stability of multirobot formation
Marasco et al. Model predictive control for the dynamic encirclement of a target
CN113342037B (zh) 具有输入饱和的多旋翼无人机时变编队控制方法及系统
Heshmati-Alamdari et al. A self-triggered visual servoing model predictive control scheme for under-actuated underwater robotic vehicles
Otte et al. Any-time path-planning: Time-varying wind field+ moving obstacles
Al-Araji Development of kinematic path-tracking controller design for real mobile robot via back-stepping slice genetic robust algorithm technique
Marasco et al. Dynamic encirclement of a moving target using decentralized nonlinear model predictive control
Bharatheesha et al. Distance metric approximation for state-space RRTs using supervised learning
Sun et al. Iterative learning control based robust distributed algorithm for non-holonomic mobile robots formation
Baek et al. Communication-efficient event-triggered time-delay control and its application to robot manipulators
Ma et al. Smart actuation for end-edge industrial control systems
Tian et al. An ASVSF‐SLAM Algorithm with Time‐Varying Noise Statistics Based on MAP Creation and Weighted Exponent
CN111176324B (zh) 一种多无人机分布式协同编队规避动态障碍的方法
Meindl et al. Collective iterative learning control: Exploiting diversity in multi-agent systems for reference tracking tasks
Jia et al. Distributed analytical formation control and cooperative guidance for gliding vehicles
Fabresse et al. Active perception for 3D range-only simultaneous localization and mapping with UAVs
Liu et al. Who to blame? learning and control strategies with information asymmetry
Bezzo et al. A stochastic approach for attack resilient uav motion planning

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: 20180102

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190107

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20200129

Year of fee payment: 6