KR101831028B1

KR101831028B1 - 실내 환경에서 이동 로봇의 리로케이션 방법 및 장치

Info

Publication number: KR101831028B1
Application number: KR1020150095075A
Authority: KR
Inventors: 명현; 정종대
Original assignee: 한국과학기술원
Priority date: 2015-07-03
Filing date: 2015-07-03
Publication date: 2018-02-21
Also published as: US20170003131A1; EP3112969A1; WO2017007089A1; KR20170004556A

Abstract

실내 환경에서 이동 로봇의 리로케이션 방법 및 장치가 개시된다. 본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 방법은 사전에 구축된 자기장 맵에 기초하여 로케이션 핑거프린트(location fingerprint)를 생성하는 단계; 및 이동 로봇의 위치 인식 실패로 판단되는 경우 상기 생성된 로케이션 핑거프린트에 기초하여 상기 이동 로봇의 위치를 리로케이션하는 단계를 포함하고, 상기 로케이션 핑거프린트를 생성하는 단계는 상기 자기장 맵과 라디오 소스(radio source)에 의해 미리 측정된 상기 이동 로봇의 위치별 측정 값에 기초하여 상기 로케이션 핑거프린트를 생성한다.

Description

실내 환경에서 이동 로봇의 리로케이션 방법 및 장치 {METHOD AND APPARATUS FOR RELOCATION OF MOBILE ROBOT IN INDOOR ENVIRONMENT}

본 발명의 실시예들은 실내 환경에서 이동 로봇의 리로케이션 방법 및 장치에 관한 것으로, 사전에 구축된 자기장 맵과 라디오 소스(radio source)에 의해 측정된 측정 값에 기초하여 이동 로봇의 위치를 리로케이션할 수 있는 이동 로봇의 리로케이션 방법 및 장치와 관련된 것이다.

로봇이란 사람의 모습을 한 인형 내부에 기계장치를 조립해 넣고, 손발과 그 밖의 부분을 본래의 사람과 마찬가지로 동작하도록 만든 자동인형을 말한다. 그러나 최근에는 사람의 모습 여부를 떠나서 자율적으로 어떠한 임무를 수행하는 자동 장치를 로봇으로 통칭하게 되었다.

이동 로봇은 극한 환경 또는 위험 지역에서 사람을 대신하여 작업을 수행할 수 있기 때문에 많은 각광을 받고 있다. 또한, 청소 로봇과 같이 자율적으로 집안을 돌아다니면서 가사 업무를 도와주는 가정용 이동 로봇도 다수 보급되고 있다.

이동 로봇이 자율적으로 이동하면서 임무를 수행하기 위해서는 자기 위치 인식 기술이 필수적이며, 대표적인 위치 인식 기술로는 SLAM(simultaneous localization and mapping) 기법이 있다. SLAM은 로봇이 주변 환경 정보를 검출하고 얻어진 정보를 가공하여 임무 수행 공간에 대응되는 맵을 작성함과 동시에 자신의 절대 위치를 추정하는 방법을 말한다.

이동 로봇은 복잡한 실내 환경에서 다양한 센서를 사용한 SLAM 기법을 통해 자신의 위치를 추정함과 동시에 실내 환경의 맵을 작성할 수 있다.

하지만, 이동 로봇은 이동 중 사용자가 로봇을 임의의 위치로 옮겨놓는 등의 예상치 못한 이동이 발생하는 경우 취득되는 정보에 오차가 커지고 위치 인식이 매우 부정확해진다. 이러한 경우 로봇의 위치를 다시 찾는 리로케이션(relocation) 기능이 필요하다.

본 발명의 실시예들은, 사전에 구축된 자기장 맵과 라디오 소스(radio source)에 의해 측정된 측정 값에 기초하여 이동 로봇의 위치를 리로케이션할 수 있는 이동 로봇의 리로케이션 방법 및 장치를 제공한다.

본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 방법은 사전에 구축된 자기장 맵에 기초하여 로케이션 핑거프린트(location fingerprint)를 생성하는 단계; 및 이동 로봇의 위치 인식 실패로 판단되는 경우 상기 생성된 로케이션 핑거프린트에 기초하여 상기 이동 로봇의 위치를 리로케이션하는 단계를 포함한다.

상기 로케이션 핑거프린트를 생성하는 단계는 상기 자기장 맵과 라디오 소스(radio source)에 의해 미리 측정된 상기 이동 로봇의 위치별 측정 값에 기초하여 상기 로케이션 핑거프린트를 생성할 수 있다.

상기 로케이션 핑거프린트를 생성하는 단계는 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차, 상기 측정 값에 대한 평균 값과 표준 편차를 이용하여 상기 로케이션 핑거프린트를 생성할 수 있다.

상기 로케이션 핑거프린트를 생성하는 단계는 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차를 이용하여 상기 로케이션 핑거프린트를 생성할 수 있다.

상기 이동 로봇의 위치를 리로케이션하는 단계는 MCL(Monte Carlo localization) 알고리즘을 포함하는 파티클 필터 기반 접근 방식을 이용하여 상기 이동 로봇의 위치를 리로케이션할 수도 있고, MLP(multilayer perceptron) 기반 접근 방식을 이용하여 상기 이동 로봇의 위치를 리로케이션할 수도 있다.

상기 이동 로봇의 위치를 리로케이션하는 단계는 상기 이동 로봇의 현재 위치가 미리 결정된 오차 범위를 벗어나는 경우 상기 위치 인식 실패로 판단하고, 상기 생성된 로케이션 핑거프린트에 기초하여 상기 이동 로봇의 위치를 리로케이션할 수 있다.

본 발명의 다른 일 실시예에 따른 이동 로봇의 리로케이션 방법은 이동 로봇의 이동 경로에 따른 자기장 값과, 라디오 소스(radio source)로부터 전송된 신호에 기초하여 측정된 측정 값을 획득하는 단계; 상기 획득된 자기장 값에 기초한 SLAM(Simultaneous Localization and Mapping)을 통해 자기장 맵을 구축하는 단계; 상기 구축된 자기장 맵과 상기 측정 값을 이용하여 로케이션 핑거프린트(location fingerprint)를 생성하는 단계; 및 상기 이동 로봇의 위치 인식 실패로 판단되는 경우 상기 생성된 로케이션 핑거프린트에 기초하여 상기 이동 로봇의 위치를 리로케이션하는 단계를 포함한다.

본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 장치는 사전에 구축된 자기장 맵에 기초하여 로케이션 핑거프린트(location fingerprint)를 생성하는 핑거프린트 생성부; 및 이동 로봇의 위치 인식 실패로 판단되는 경우 상기 생성된 로케이션 핑거프린트에 기초하여 상기 이동 로봇의 위치를 리로케이션하는 리로케이션부를 포함한다.

상기 핑거프린트 생성부는 상기 자기장 맵과 라디오 소스(radio source)에 의해 미리 측정된 상기 이동 로봇의 위치별 측정 값에 기초하여 상기 로케이션 핑거프린트를 생성할 수 있다.

상기 핑거프린트 생성부는 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차, 상기 측정 값에 대한 평균 값과 표준 편차를 이용하여 상기 로케이션 핑거프린트를 생성할 수 있다.

상기 핑거프린트 생성부는 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차를 이용하여 상기 로케이션 핑거프린트를 생성할 수 있다.

상기 리로케이션부는 MCL(Monte Carlo localization) 알고리즘을 포함하는 파티클 필터 기반 접근 방식을 이용하여 상기 이동 로봇의 위치를 리로케이션할 수도 있고, MLP(multilayer perceptron) 기반 접근 방식을 이용하여 상기 이동 로봇의 위치를 리로케이션할 수도 있다.

상기 리로케이션부는 상기 이동 로봇의 현재 위치가 미리 결정된 오차 범위를 벗어나는 경우 상기 위치 인식 실패로 판단하고, 상기 생성된 로케이션 핑거프린트에 기초하여 상기 이동 로봇의 위치를 리로케이션할 수 있다.

본 발명의 실시예들에 따르면, 사전에 구축된 자기장 맵과 라디오 소스(radio source)에 의해 측정된 측정 값에 기초하여 이동 로봇의 위치를 리로케이션할 수 있다.

본 발명의 실시예들에 따르면, 리로케이션은 지속적인 내비게이션(navigation)을 위한 핵심 요소 기술로서, 실내 청소 로봇, 서비스 로봇, 위험 지역 탐사 로봇 등과 같은 이동 로봇 분야와 연계하여 시장성을 확보할 수 있다.

본 발명의 실시예들에 따르면, 실내 환경에 편재해 있는 자기장 값과 무선 통신 신호 기반의 측정 값 예를 들어, 거리 측정 값을 측위 신호로 사용하기 때문에 적용 영역이 매우 크고, 각 신호의 관측 값 자체를 측위에 사용하기 때문에 별도의 캘리브레이션이나 센서 모델링이 필요하지 않다.

도 1은 본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 장치에 대한 구성을 나타낸 것이다.
도 2는 로케이션 핑거프린트의 평균 값에 대한 일 예시도를 나타낸 것이다.
도 3은 로케이션 핑거프린트의 표준 편차에 대한 일 예시도를 나타낸 것이다.
도 4는 MLP 구조에 대한 예시도를 나타낸 것이다.
도 5는 파라미터에 따른 MCL 리로케이션 결과에 대한 예시도를 나타낸 것이다.
도 6은 파라미터에 따른 MLP 리로케이션 결과에 대한 예시도를 나타낸 것이다.
도 7 내지 도 9는 이동 로봇의 이동 궤적에 따른 MLP 리로케이션 결과에 대한 예시도들을 나타낸 것이다.
도 10은 본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 방법에 대한 동작 흐름도를 나타낸 것이다.

이하, 본 발명의 실시예들을 첨부된 도면들을 참조하여 설명한다. 아래에서는 한정된 실시예들이 기술되지만, 이러한 실시예들은 본 발명의 예이며, 당업자는 이러한 실시예들을 용이하게 변경할 수 있다.

본 발명의 실시예들은, 실내 환경에서 사전에 구축된 자기장 맵과 라디오 소스(radio source)에 의해 측정된 측정 값에 기초하여 이동 로봇의 위치를 리로케이션하는 것을 그 요지로 한다.

도 1은 본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 장치에 대한 구성을 나타낸 것이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 장치(100)는 자기장 센서(110), 측정부(120), 위치 추정부(130), 핑거프린트 생성부(140), 리로케이션부(150) 및 저장부(160)를 포함한다.

자기장 센서(110)는 이동 로봇에 탑재되어 지구 자기장을 측정하는 센서로서, 하나 또는 두 개의 자기장 센서가 이동 로봇에 탑재되어 이동 로봇의 위치에서 지구 자기장을 측정한다. 즉, 자기장 센서는 이동 로봇의 이동 경로에 따른 자기장 값을 획득한다.

이 때, 이동 로봇에 두 개의 자기장 센서가 탑재되고 이동 로봇의 위치 인식 과정 예를 들어, SLAM을 수행하는 과정에서 어느 하나의 자기장 센서가 페일(fail)되는 경우 예컨대, 이동 로봇이 셀 바운더리(cell boundary)를 따라 이동하는 경우에 나머지 하나의 자기장 센서를 이용하여 SLAM 과정을 수행할 수 있기 때문에 SLAM에 대한 성능을 향상시킬 수 있다. 두 개의 자기장 센서는 SLAM 성능 향상을 위하여 서로 다른 두 위치에 탑재될 수 있으나, 반드시 두 개의 자기장 센서를 탑재할 필요는 없으며, 상황에 따라 하나의 자기장 센서, 복수의 자기장 센서가 탑재될 수도 있다.

측정부(120)는 라디오 소스(radio source)로부터 전송된 신호에 기초하여 측정된 측정 값을 획득한다.

이 때, 라디오 소스는 Wi-Fi, 블루투스, 액티브 RFID(radio-frequency identification)를 포함할 수 있고 실내 환경의 임의의 위치에서 신호를 전송할 수 있으며, 측정부(120)는 라디오 소스로부터 전송된 신호를 수신하여 이동 로봇의 현재 위치 또는 현재 셀에서 라디오 소스까지의 거리 측정 값을 획득할 수 있다.

측정부(120)는 이동 로봇의 SLAM을 하는 동안 거리 측정 값을 획득할 수 있으며, 이렇게 획득된 거리 측정 값은 저장부에 저장될 수 있다.

위치 추정부(130)는 이동 로봇의 위치를 인식하는 구성 수단으로, 자기장 센서에 의해 획득된 자기장 값에 기초한 SLAM 과정을 통해 이동 로봇의 이동 경로 또는 이동 궤적에 따른 자기장 맵을 구축하고 구축된 자기장 맵을 이용한 SLAM을 통해 자신의 위치를 추정한다.

이 때, 위치 추정부(130)는 그래프 구조 기반 SLAM을 통해 자신의 위치를 추정할 수도 있으며, 위치 추정을 위한 다양한 방법을 이용하여 자신의 위치를 추정할 수 있다.

이 때, 위치 추정부(130)는 복수의 셀들로 나눠진 실내 공간에 대한 SLAM을 통해 자신의 위치를 추정할 수 있으며, 셀들 각각의 코너에 형성되는 노드들에 대한 신호 값 예를 들어, 자기장 값은 추정된 이동 로봇의 위치 추정 값에 기초하여 업데이트될 수도 있다.

본 발명은 이동 로봇의 위치 인식이 실패한 경우 자신의 위치를 다시 추정하는 리로케이션에 대한 것이기 때문에 SLAM을 통한 위치 인식에 대한 상세한 설명은 생략한다.

핑거프린트 생성부(140)는 이동 로봇의 이동 경로 또는 이동 궤적에 따라 사전에 구축된 자기장 맵에 기초하여 로케이션 핑거프린트(location fingerprint)(또는 로케이션 시그니처(location signature))를 생성한다.

이 때, 핑거프린트 생성부(140)는 사전에 구축된 자기장 맵과 측정부(120)에 의해 획득된 이동 로봇의 위치별 측정 값에 기초하여 로케이션 핑거프린트를 생성할 수 있다.

여기서, 핑거프린트 생성부(140)는 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차를 이용하여 로케이션 핑거프린트를 생성할 수도 있고, 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차 그리고 복수의 셀들 각각의 측정 값 예를 들어, 거리 측정 값에 대한 평균 값과 표준 편차를 이용하여 로케이션 핑거프린트를 생성할 수도 있다.

핑거프린트 생성부(140)는 실내 환경에서 자기장 값에 대한 모호성(ambiguity) 문제가 발생할 수 있기 때문에 이동 로봇의 리로케이션을 수행할 수 있도록 라디오 소스에 의해 측정된 거리 측정 값을 추가적으로 고려하여 로케이션 핑거프린트를 생성할 수 있다.

리로케이션부(150)는 이동 로봇의 위치 인식이 실패되는 경우 즉, 위치 인식 실패로 판단되는 경우 핑거프린트 생성부(140)에 의해 생성된 로케이션 핑거프린트에 기초하여 이동 로봇의 위치를 리로케이션한다.

이 때, 리로케이션부(150)는 이동 로봇의 현재 위치가 미리 결정된 오차 범위를 벗어나는 경우 예를 들어, 주행 중 이동 로봇에 휠 슬립(wheel slip)이 일정 이상 크게 발생하는 경우, 장애물 등에 의해 이동 로봇이 갇히는 경우, 사용자에 의해 주행 중 이동 로봇이 임의의 장소로 이동되는 경우(kidnapping) 이동 로봇의 위치 인식 실패로 판단할 수 있다.

즉, 이동 로봇을 이용한 SLAM의 경우 연산의 재귀적인 특성 상 현재 위치가 오차 범위 안에서 계속 유지가 되어야 하지만, 특정 상황에 의해 위치 인식이 실패되는 경우 리로케이션부는 이동 로봇의 위치를 로케이션 핑거프린트를 이용하여 리로케이션한다.

리로케이션부(150)는 MCL(Monte Carlo localization) 알고리즘을 포함하는 파티클 필터 기반 접근 방식을 이용하여 이동 로봇의 위치를 리로케이션할 수도 있고, MLP(multilayer perceptron) 기반 접근 방식을 이용하여 이동 로봇의 위치를 리로케이션할 수도 있다.

저장부(160)는 본 발명의 리로케이션에 대한 모든 정보와 데이터를 저장한다.

예컨대, 저장부(160)는 SLAM에 의해 구축된 자기장 맵, 이동 로봇의 위치별 측정 값(또는 거리 측정 값), 리로케이션을 위한 알고리즘 등 모든 데이터를 저장한다.

나아가, 본 발명에 따른 장치(100)는 이동 로봇의 오도메트리 정보(odometry data)를 획득하는 인코더를 더 포함할 수 있다.

인코더는 이동 로봇의 전동 휠의 회전 속도와 회전 방향을 검출하고, 검출된 회전 속도와 회전 방향을 이용하여 이동 로봇의 오도메트리 정보를 획득할 수 있으며, 오도메트리 정보는 이동 로봇의 x축 좌표와 y축 좌표, 진행 방향의 각도를 포함할 수 있다.

이하, 1) MCL 알고리즘을 이용하여 이동 로봇의 위치를 리로케이션하는 경우와 2) MLP 알고리즘을 이용하여 이동 로봇의 위치를 리로케이션하는 경우를 설명한다.

1) MCL 알고리즘을 이용하여 이동 로봇의 위치를 리로케이션하는 경우

MCL은 파티클 필터 기반 접근 방식의 하나로, MCL의 예측과 업데이트 수학식은 RBPF(Rao-Blackwellized particle filter)에서 사용하는 예측과 업데이트 수학식과 거의 유사하다. 이는 RBPF가 로봇 상태 업데이트에 대해 파티클 필터를 사용하기 때문이다. MCL과 RBPF의 차이점은 RBPF가 맵 상태를 재귀적으로(recursively)으로 업데이트하는 반면 MCL은 정적 맵 정보(static map information)에 의존한다.

클래식 MCL 알고리즘에서, 상수 오류 공분산(constant error covariance)은 측정 업데이트를 위해 사용되고, 센서 측정의 편차는 측정된 위치와 독립적인 것으로 가정할 수 있다. 하지만, 이러한 가정은 노이즈가 있는 실내 측정에서 유효하지 않기 때문에 오류 공분산의 위치 의존성을 고려해야 한다. 이를 위해, 센서 측정의 특정 통계가 SLAM 과정에서 그리드 레벨로 인코드되어야 하며, 구체적으로 인코드된 통계는 복수의 셀들 각각의 자기장 값에 대한 평균과 표준 편차 그리고 복수의 셀들 각각의 거리 측정 값에 대한 평균과 표준 편차를 포함할 수 있다. 이 때, 자기장 값에 대한 평균과 표준 편차는 하나의 자기장 센서에 의해 측정된 자기장 값에 대해 이루어질 수도 있고, 상이한 위치에 배치된 두 개의 자기장 센서에 의해 측정된 자기장 값에 대해 이루어질 수도 있다.

이동 로봇이 k번째 셀에 머물러 있으면 센서 측정 값들이 수집되고, 해당 셀을 벗어나면 로케이션 핑거프린트 매트릭스

는 아래 <수학식 1>과 같이 만들어질 수 있다.

[수학식 1]

여기서, m과 r은 자기장과 라디오 데이터를 의미하고,

과

는 측정된 값의 평균과 표준 편차를 의미한다.

도 2와 도 3은 로케이션 핑거프린트 매트릭스에서 평균 값과 표준 편차에 대한 예시도를 나타낸 것으로, SLAM에 의해 구축된 자기장 맵에 의한 핑거프린트의 구성 요소들(c~f)과 거리 측정 값에 의한 핑거프린트의 구성 요소들(a~b)을 나타낸 것이다. 도 2와 도 3을 통해 알 수 있듯이, 로봇의 헤딩(heading)이 어떤 자이로스코프 기기없이 확실하게 보정되는 것을 알 수 있으며, 이는 지구 자기장이 변칙적으로 변하는 경우더라도 자기장 랜드마크를 이용하여 방향(orientation)에서 로컬 보정을 수행할 수 있다. 그리고, 측정 값에 의한 핑거프린트의 구성 요소들(a~b)은 공간 도메인에서 매우 비선형적이라는 것을 알 수 있다. 또한, 로케이션 핑거프린트의 표준 편차에서 알 수 있듯이, 표준 편차의 변화는 위치에 따라 달라진다는 것을 알 수 있다.

그리고, 로케이션 핑거프린트 매트릭스의 각 요소는 아래 <수학식 2>와 같이 나타낼 수 있다.

[수학식 2]

여기서, B는 Bx, By, Bz를 포함하며, Bx, By, Bz는 자기장 벡터의 직교 컴포넌트를 의미하고, B의 윗첨자 1과 2는 두 개의 자기장 센서 각각을 의미하며, q는 라디오 레인징 비콘들(radio-ranging beacons)의 수를 의미한다.

리로케이션 페이즈(phase)에서, 웨이트

를 가지는 파티클

은 초기화되고, 각 파티클은 이동 로봇의 키네메틱스(kinematics)에 의해 쉬프트되며, 웨이트는 측정 값

에 의해 업데이트될 수 있다. 이 때, 측정 값

는 아래 <수학식 3>과 같이 나타낼 수 있다.

[수학식 3]

여기서,

은 j 번째 자기장 센서 리딩과 관련된 벡터를 의미하고,

은 라디오 레인지의 벡터를 의미한다.

웨이트 업데이트 수학식은 아래 <수학식 4>와 같이 나타낼 수 있다.

[수학식 4]

여기서,

은 i번째 파티클의 셀 인덱스 k에서 나머지 측정 값(measurement residual)을 의미하고,

는 i번째 파티클의 셀 인덱스 k에서 노이즈 공분산 매트릭스를 의미한다.

추정되는 이동 로봇의 위치는 파티클들의 웨이티드(weighted) 합으로 계산될 수 있다.

따라서, 리로케이션부는 상술한 MCL 알고리즘을 이용하여 이동 로봇의 위치를 리로케이션할 수 있다.

도 5는 파라미터에 따른 MCL 리로케이션 결과에 대한 예시도를 나타낸 것으로, 도 5a에 도시된 바와 같이 MCL 성능이 파티클 사이즈가 클수록 더 좋은 성능을 보이는 것을 알 수 있으며, 도 5b에 도시된 바와 같이 10cm보다 작은 셀 사이즈에 대해서는 MCL 성능이 급격하게 떨어지는 것을 알 수 있다. 또한, 도 5c에 도시된 바와 같이, 라디오 소스만을 사용하거나 자기장 값만을 사용한 MCL 성능보다 자기장 값과 라디오 레인징 센서들의 수가 많을수록 MCL 성능이 더 좋아지는 것을 알 수 있다.

2) MLP 알고리즘을 이용하여 이동 로봇의 위치를 리로케이션하는 경우

도 4는 MLP 구조에 대한 예시도를 나타낸 것으로, MLP 구조는 하나의 입력 레이어(input layer)하나 이상의 히든 레이어(hidden layer) 그리고 하나의 출력 레이어(output layer)를 가진다. 히든 레이어는 시그모이드 활성화(sigmoid activation) 유닛들을 가지고, 다른 레이어들은 선형 활성화 유닛들을 가진다. 입력과 출력 유닛들의 수는 입력 특성 벡터 X와 원하는 출력 벡터 Y의 차원(dimension)에 의해 결정될 수 있다.

본 발명에서 입력 특성 벡터 X는 로케이션 핑거프린트이고, 출력 벡터 Y는 리로케이션된 이동 로봇의 2 차원 위치이다. 히든 레이어들의 수와 각 레이어에서 활성화 유닛들의 수와 같은 히든 구조를 결정하는 것은 문제의 비선형성에 의해 가이드될 수 있고, 유효 데이터 집합(validation data set)에 기초하여 고정될 수 있다.

MLP의 트레이닝은 통상적인 오류 역전파 알고리즘(conventional error backpropagation algorithm)에 의해 이루어질 수 있다. 최적화 프레임워크(optimization frameworks)로 클래식 기울기 하강법(gradient descent method)과 켤레 기울기법(conjugate gradient method)을 적용할 수 있으며, 두 방법 모두 MLP 비용 함수

에 대한 정의가 필요하다. MLP 비용 함수

는 아래 <수학식 5>와 같이 나타낼 수 있다.

[수학식 5]

여기서,

는 MLP 유닛들의 웨이트 정보를 포함하는 매트릭스를 의미하고, m은 트레이닝 데이터 집합들의 수를 의미하고,

는 결과 MLP 출력을 의미한다.

트레이닝은 배치 모드(batch mode) 또는 스토캐스틱 모드(stochastic mode) 중 어느 하나에 의해 이루어질 수 있다.

MLP 알고리즘에서 트레이닝되는 데이터는 로케이션 핑거프린트로서, MLP 알고리즘에서 사용하는 로케이션 핑거프린트는 자기장 값의 평균 값과 표준 편차만을 이용하여 생성된 것일 수도 있고, 자기장 맵에 구축된 모든 자기장 값일 수도 있으며, 자기장 값의 평균 값과 표준 편차 그리고 거리 측정 값에 대한 평균 값과 표준 편차를 이용하여 생성된 것일 수도 있다. 즉, 리로케이션부는 MLP 알고리즘을 이용하여 센서 값과 위치 간을 트레이닝 시킴으로써, 트레이닝 결과에 기초하여 센서 값이 입력되면 리로케이션 위치를 바로 알 수 있다.

이와 같이, 리로케이션부는 상술한 MLP 알고리즘을 이용하여 이동 로봇의 위치를 리로케이션할 수 있다.

도 6은 파라미터에 따른 MLP 리로케이션 결과에 대한 예시도를 나타낸 것이다.

도 6a는 다양한 트레이닝 스킴에 대한 MLP 리로케이션 결과를 나타낸 것으로, 도 6a에 도시된 바와 같이, 배치 모드와 스토캐스틱 모드 모두에서 켤레 기울기법(conjugate gradient method)이 클래식 기울기 하강법(gradient descent method)에 비해 성능이 더 뛰어난 것을 알 수 있다. 또한, 배치 모드와 스토캐스틱 모드에 대해, 두 접근 방식이 트레이닝 시간과 성능 간에 약간의 트레이드 오프가 있다는 것을 알 수 있다.

도 6b는 다른 센서 집합의 어플리케이션에 대한 MLP 결과의 성능 차이를 나타낸 것으로, 도 6b를 통해 알 수 있듯이 자기장 값 또는 거리 측정 값 중 어느 하나만 사용하는 것보다 두 값 모두 포함하는 경우가 리로케이션 성능을 향상시키는 것을 알 수 있다.

도 7 내지 도 9는 이동 로봇의 이동 궤적에 따른 MLP 리로케이션 결과에 대한 예시도들을 나타낸 것으로, 도 7 내지 도 9 각각은 특정 환경에서 테스트한 결과이다.

도 7 내지 도 9에 도시된 회식 라인은 이동 로봇이 리로케이션을 위한 MLP 트레이닝 데이터를 수집하는 SLAM 경로이고, 크로스 형상의 마커는 리로케이트된 이동 로봇의 위치를 예측한 것을 나타낸다.

자기장 SLAM은 헤딩 기기의 도움 없이 보정된 방향을 획득할 수 있는데, 이는 이동 로봇의 헤딩 상태가 공분산 매트릭스의 계산과 웨이트 업데이트 수학식에 영향을 줄 수 있는 측정 값에 의해 보정될 수 있기 때문이다.

도 7 내지 도 9의 리로케이션 결과를 통해 알 수 있듯이, 추정된 리로케이션 위치는 SLAM 이동 궤적 상에 정확하게 위치하는 것을 알 수 있으며, 각 데이터 집합의 추정된 위치에 대한 RMSE(root mean square error)는 0.06 ± 0.03, 0.18 ± 0.11, 0.07 ± 0.01 m이다.

이와 같이, 본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 장치는 사전에 구축된 자기장 맵과 라디오 소스(radio source)에 의해 측정된 측정 값에 기초하여 이동 로봇의 위치를 리로케이션할 수 있다.

또한, 본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 장치는 실내 환경에 편재해 있는 자기장 값과 무선 통신 신호 기반의 측정 값 예를 들어, 거리 측정 값을 측위 신호로 사용하기 때문에 적용 영역이 매우 크고, 각 신호의 관측 값 자체를 측위에 사용하기 때문에 별도의 캘리브레이션이나 센서 모델링이 필요하지 않다.

도 10은 본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 방법에 대한 동작 흐름도를 나타낸 것으로, 상술한 도 1의 리로케이션 장치에서의 동작 흐름도를 나타낸 것이다.

도 10을 참조하면, 본 발명의 일 실시예에 따른 이동 로봇의 리로케이션 방법은 이동 로봇의 이동 경로에 따른 자기장을 적어도 하나의 자기장 센서를 이용하여 획득하고, 라디오 소스(radio source)로부터 전송된 신호에 기초하여 측정된 측정 값 예를 들어, 거리 측정 값을 획득한다(S1010).

이 때, 이동 로봇에 두 개의 자기장 센서가 탑재되는 경우 이동 로봇의 위치 인식 과정 예를 들어, SLAM을 수행하는 과정에서 어느 하나의 자기장 센서가 페일(fail)되면 나머지 하나의 자기장 센서를 이용하여 SLAM 과정을 수행할 수 있기 때문에 SLAM에 대한 성능을 향상시킬 수 있다.

단계 S1010에서 거리 측정 값을 획득하기 위한, 라디오 소스는 Wi-Fi, 블루투스, 액티브 RFID(radio-frequency identification)를 포함할 수 있고 실내 환경의 임의의 위치에서 신호를 전송할 수 있으며, 라디오 소스로부터 전송된 신호에 기초하여 이동 로봇의 현재 위치 또는 현재 셀에서 라디오 소스까지의 거리 측정 값을 획득할 수 있다.

단계 S1010에서 획득된 자기장 값에 기초한 SLAM을 통해 자기장 맵을 구축하고, 구축된 자기장 맵과 거리 측정 값을 이용하여 로케이션 핑거프린트(location fingerprint)를 생성한다(S1020, S1030).

여기서, 단계 S1030은 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차 그리고 복수의 셀들 각각의 측정 값 예를 들어, 거리 측정 값에 대한 평균 값과 표준 편차를 이용하여 로케이션 핑거프린트를 생성할 수도 있다.

이 때, 단계 S1030은 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차를 이용하여 로케이션 핑거프린트를 생성할 수도 있다. 물론, 실내 환경에서 자기장 값에 대한 모호성(ambiguity) 문제가 발생할 수도 있으며, 이러한 모호성 문제가 발생할 때 이를 해결하기 위해 라디오 소스에 의해 측정된 거리 측정 값을 추가적으로 고려하여 로케이션 핑거프린트를 생성할 수 있다.

단계 S1030에 의해 로케이션 핑거프린트가 생성된 후 이동 로봇이 주행 중 위치 인식 실패로 판단되는 경우 단계 S1030에 의해 생성된 로케이션 핑거프린트에 기초하여 이동 로봇의 위치를 리로케이션한다(S1040, S1050).

이 때, 단계 S1040은 이동 로봇의 현재 위치가 미리 결정된 오차 범위를 벗어나는 경우 예를 들어, 주행 중 이동 로봇에 휠 슬립(wheel slip)이 일정 이상 크게 발생하는 경우, 장애물 등에 의해 이동 로봇이 갇히는 경우, 사용자에 의해 주행 중 이동 로봇이 임의의 장소로 이동되는 경우 이동 로봇의 위치 인식 실패로 판단할 수 있다.

단계 S1050은 MCL(Monte Carlo localization) 알고리즘을 포함하는 파티클 필터 기반 접근 방식을 이용하여 이동 로봇의 위치를 리로케이션할 수도 있고, MLP(multilayer perceptron) 기반 접근 방식을 이용하여 이동 로봇의 위치를 리로케이션할 수도 있다.

이 때, 단계 S1050은 MCL 알고리즘을 이용하여 이동 로봇의 위치를 리로케이션하는 경우 측정된 자기장 값과 거리 측정 값을 모두 이용할 수 있으며, MLP 기반 접근 방식을 이용하여 이동 로봇의 위치를 리로케이션하는 경우에는 측정된 자기장 값만을 이용할 수도 있고 측정된 자기장 값과 거리 측정 값을 모두 이용할 수도 있다.

이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 시스템, 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예들에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

사전에 구축된 자기장 맵에 기초하여 로케이션 핑거프린트(location fingerprint)를 생성하는 단계;
이동 로봇의 위치를 추정하는 단계; 및
상기 위치 추정을 통해 상기 이동 로봇의 위치 인식 실패로 판단되는 경우 상기 생성된 로케이션 핑거프린트에 기초하여 상기 이동 로봇의 위치를 리로케이션하는 단계
를 포함하고,
상기 로케이션 핑거프린트를 생성하는 단계는
상기 이동 로봇에 탑재된 두 개의 자기장 센서를 이용하여 상기 이동 로봇의 이동 경로에 따른 자기장 값을 획득하고, 상기 이동 로봇이 셀 바운더리를 따라 이동되어 상기 두 개의 자기장 센서 중 어느 하나의 자기장 센서가 페일(fail)되는 경우 나머지 하나의 자기장 센서를 이용하여 자기장 값을 획득하며, 상기 획득된 자기장 값에 기초한 SLAM(Simultaneous Localization and Mapping)을 통해 구축된 상기 자기장 맵과 라디오 소스(radio source)에 의해 미리 측정된 상기 이동 로봇의 위치별 측정 값에 기초하여 상기 로케이션 핑거프린트를 생성하며, 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차, 상기 측정 값에 대한 평균 값과 표준 편차를 이용하여 상기 로케이션 핑거프린트를 생성하거나 상기 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차를 이용하여 상기 로케이션 핑거프린트를 생성하고,
상기 이동 로봇의 위치를 추정하는 단계는
상기 SLAM을 통해 상기 이동 로봇의 위치를 추정하며, 상기 이동 로봇의 위치 추정 값에 기초하여 셀들 각각의 코너에 형성되는 노드들에 대한 자기장 값을 업데이트하고,
상기 이동 로봇의 위치를 리로케이션하는 단계는
상기 이동 로봇의 현재 위치가 미리 결정된 오차 범위를 벗어나는 경우 상기 위치 인식 실패로 판단하고, 상기 생성된 로케이션 핑거프린트에 기초하여 상기 이동 로봇의 위치를 리로케이션하는 이동 로봇의 리로케이션 방법.
삭제
삭제
제1항에 있어서,
상기 이동 로봇의 위치를 리로케이션하는 단계는
MCL(Monte Carlo localization) 알고리즘을 포함하는 파티클 필터 기반 접근 방식을 이용하여 상기 이동 로봇의 위치를 리로케이션하는 이동 로봇의 리로케이션 방법.
제1항에 있어서,
상기 이동 로봇의 위치를 리로케이션하는 단계는
MLP(multilayer perceptron) 기반 접근 방식을 이용하여 상기 이동 로봇의 위치를 리로케이션하는 이동 로봇의 리로케이션 방법.
삭제
삭제
사전에 구축된 자기장 맵에 기초하여 로케이션 핑거프린트(location fingerprint)를 생성하는 핑거프린트 생성부;
이동 로봇의 위치를 추정하는 위치 추정부; 및
상기 위치 추정을 통해 상기 이동 로봇의 위치 인식 실패로 판단되는 경우 상기 생성된 로케이션 핑거프린트에 기초하여 상기 이동 로봇의 위치를 리로케이션하는 리로케이션부
를 포함하고,
상기 핑거프린트 생성부는
상기 이동 로봇에 탑재된 두 개의 자기장 센서를 이용하여 상기 이동 로봇의 이동 경로에 따른 자기장 값을 획득하고, 상기 이동 로봇이 셀 바운더리를 따라 이동되어 상기 두 개의 자기장 센서 중 어느 하나의 자기장 센서가 페일(fail)되는 경우 나머지 하나의 자기장 센서를 이용하여 자기장 값을 획득하며, 상기 획득된 자기장 값에 기초한 SLAM(Simultaneous Localization and Mapping)을 통해 구축된 상기 자기장 맵과 라디오 소스(radio source)에 의해 미리 측정된 상기 이동 로봇의 위치별 측정 값에 기초하여 상기 로케이션 핑거프린트를 생성하며, 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차, 상기 측정 값에 대한 평균 값과 표준 편차를 이용하여 상기 로케이션 핑거프린트를 생성하거나 상기 복수의 셀들 각각에 대한 자기장 평균 값과 표준 편차를 이용하여 상기 로케이션 핑거프린트를 생성하고,
상기 위치 추정부는
상기 SLAM을 통해 상기 이동 로봇의 위치를 추정하며, 상기 이동 로봇의 위치 추정 값에 기초하여 셀들 각각의 코너에 형성되는 노드들에 대한 자기장 값을 업데이트하고,
상기 리로케이션부는
상기 이동 로봇의 현재 위치가 미리 결정된 오차 범위를 벗어나는 경우 상기 위치 인식 실패로 판단하고, 상기 생성된 로케이션 핑거프린트에 기초하여 상기 이동 로봇의 위치를 리로케이션하는 이동 로봇의 리로케이션 장치.
삭제
삭제
제8항에 있어서,
상기 리로케이션부는
MCL(Monte Carlo localization) 알고리즘을 포함하는 파티클 필터 기반 접근 방식을 이용하여 상기 이동 로봇의 위치를 리로케이션하는 이동 로봇의 리로케이션 장치.
제8항에 있어서,
상기 리로케이션부는
MLP(multilayer perceptron) 기반 접근 방식을 이용하여 상기 이동 로봇의 위치를 리로케이션하는 이동 로봇의 리로케이션 장치.
삭제