KR102188482B1 - 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법 - Google Patents
빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법 Download PDFInfo
- Publication number
- KR102188482B1 KR102188482B1 KR1020190134298A KR20190134298A KR102188482B1 KR 102188482 B1 KR102188482 B1 KR 102188482B1 KR 1020190134298 A KR1020190134298 A KR 1020190134298A KR 20190134298 A KR20190134298 A KR 20190134298A KR 102188482 B1 KR102188482 B1 KR 102188482B1
- Authority
- KR
- South Korea
- Prior art keywords
- layout
- greenhouse
- population
- beds
- robot
- Prior art date
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000001131 transforming effect Effects 0.000 claims abstract description 7
- 230000006798 recombination Effects 0.000 claims abstract description 4
- 238000005215 recombination Methods 0.000 claims abstract description 4
- 230000033001 locomotion Effects 0.000 claims description 19
- 238000005520 cutting process Methods 0.000 claims description 6
- 239000007921 spray Substances 0.000 claims description 5
- 230000006872 improvement Effects 0.000 description 35
- 238000003306 harvesting Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 239000000243 solution Substances 0.000 description 6
- 238000005507 spraying Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 230000035772 mutation Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 241000282412 Homo Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000132456 Haplocarpha Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001954 sterilising effect Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 240000004160 Capsicum annuum Species 0.000 description 1
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000001511 capsicum annuum Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/14—Greenhouses
- A01G9/143—Equipment for handling produce in greenhouses
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Educational Administration (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
본 발명은 로봇 주행을 위한 진화적인 온실배치 최적화 방법에 관한 것으로 보다 구체적으로는 온실 내 로봇들의 시간 효율적이고 효과적인 주행을 위한 온실배치 최적화 방법에 관한 것이다.
본 발명에 따르면, 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법이 제공되고, 이 최적화 방법은, 온실의 레이아웃의 개체군을 초기화 하는 단계; 온실 레이아웃 개체군의 적합성을 계산하는 단계; 레이아웃 개체군을 변형하는 단계; 레이아웃 개체군을 크로스오버하여 재조합하는 단계; 재조합된 레이아웃 개체군으로부터 최적의 레이아웃 개체군을 선택하는 단계; 및 선택된 레이아웃 개체군이 기준을 만족하는지 여부를 판단하는 단계를 포함한다.
본 발명에 따르면, 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법이 제공되고, 이 최적화 방법은, 온실의 레이아웃의 개체군을 초기화 하는 단계; 온실 레이아웃 개체군의 적합성을 계산하는 단계; 레이아웃 개체군을 변형하는 단계; 레이아웃 개체군을 크로스오버하여 재조합하는 단계; 재조합된 레이아웃 개체군으로부터 최적의 레이아웃 개체군을 선택하는 단계; 및 선택된 레이아웃 개체군이 기준을 만족하는지 여부를 판단하는 단계를 포함한다.
Description
본 발명은 로봇 주행을 위한 진화적인 온실배치 최적화 방법에 관한 것으로 보다 구체적으로는 온실 내 로봇들의 시간 효율적이고 효과적인 주행을 위한 온실배치 최적화 방법에 관한 것이다.
딸기와 파프리카 같이 고품질의 안전한 농작물에 대한 수요 증가와 급격하게 변화하는 예측 불가능한 기후로 인해 생산 시스템들은 보호 환경들이 되었다. 이로 인해 거시 및 미시 환경들과 최적의 시설 성능에 대한 규제가 이뤄지게 된다. 생산 기간의 확장 및 보다 나은 고품질의 수확물 획득은 시설 재배의 또 다른 장점들이다.
작물 경작 시 기술적 시스템들을 채택할 경우, 대체로 고품질의 많은 수확물을 얻게 되는 이유는 가뭄과 홍수의 원인이 되는 기후 변화로 인한 예측할 수 없는 환경 조건들 때문이다. 게다가 공동 경작 시 해충을 제어하고 제거하기 어렵다. 하지만 보호 환경의 효과적인 제어 및 관리를 통해, 해충으로 인한 손상을 경제적 피해허용 수준 이하로 최소화할 수 있고, 폭우와 같은 불리한 기후 조건들을 효과적으로 제어할 수 있다. 흔한 형태의 시설 재배인 온실은 복잡한 대중 입력 다중 출력 시스템이다. 온실들을 위한 자동화된 시스템들에 대한 연구가 전 세계적으로 증가하고 있다.
자동화는 기계화된 재배의 필수 요소이다. 보호되고 제어된 환경 내에서 덜 복잡한 자동화는 분사 중에 인간의 건강에 치명적이거나 영구 손상을 입힐 수 있는 화학물질 흡입의 감소와 같은 여러 방식들로 도움을 줄 수 있다. 자동화는 제한된 환기로 인해 공기 조건이 유의미하게 변하지 않는 온실 내에서 더욱 큰 도움이 된다. 요컨대 자동 살균 분사 장치는 유해한 화학 물질에 대한 인간의 노출을 최소화하고 노출되지 않도록 하며, 식물에 적용 시 정밀성 면에서 도움을 줄 것이다. 더 나아가 초과량인 화학물질과 폐기물로 인해 농장에서 흘러 나오는 폐수와 관련된 문제들이 시설 재배 시스템 내에서 크기 줄어들고 제어되는 이유는, 증가된 정확성과 정밀성 덕분이다.
한 가지 전형적인 예는 살충제 분사 시스템이 정해진 용량의 살충제를 실물들에게 고르게 효율적으로 도포하는 동안, 온실에 있는 여러 열들(row) 따라 주행하는 일을 하는 이동 로봇이다. 로봇이 모든 모판(bed)으로 이동해야 하고 재충전해야 하는 살충제 탱크의 배터리와 용량이 제한적임을 고려하면 현재의 온실 배치 구성으로는, 로봇이 작업하기 어렵고 시간이 많이 소모된다. 그럼에도, 온실 농업은 자동화, 컴퓨터 작업, 로봇 공학이라는 여러 기술들을 적용하기에 적합한 분야이다. 온도 및 습도 조절, 토양 준비, 물과 영양분 공급 같은 몇몇 시스템들을 쉽게 적용할 수 있다. 온실들에 대한 이런 환경 감시 시스템들은 작물의 성장을 제어할 뿐 아니라 상품들의 추적 가능성을 판단할 수 있다는 점에서 흥미롭다. 하지만 작물 감시, 공급, 처리, 수확, 해충 및 질병 검출과 같이, 온실 내 거친 조건들 때문에 인간에게 어렵고 위험한 몇몇 과제들을 수행할 수 있는 이처럼 중요한 자동화 로봇 시스템들은 복잡하다.
또한 종래 온실 내에서 로봇 주행을 위한 공통된 기법들을 검토하고 기계 학습을 기반으로 한 하나의 방법론이 제안된 바가 있다. 조작자 동작(모션) 전략이 몇몇 저자들에 의해 널리 논의되어 온 이유는, 파종, 이식, 수확 자동화 면에서 그것이 중요하기 때문이다. 위치 기반의 제어와 시각적 피드백 제어에 의한 엔드-이펙터의 바람직한 위치 방향으로의 직접적인 이동과 같은, 알고리즘을 이용한 경로 계획을 로봇 주행을 위해 탐구해 왔다. 흔히 하나의 과일 채집이 채택되는 반면 나머지 과일 채집에 필요한 계획은 무시된다. 더 나아가, 현장에서 모든 과일들의 채집을 위한 커버리지 경로 계획이나 한 과일에서 다른 과일로 이동하는 경우 시간 최소화를 위한 커버리지 경로 계획이 연구된다. 과제 계획과 장애물 검출 및 회피를 위한 문헌은 제한적으로 존재한다. 장애물 인식을 경로 계획 알고리즘에 추가하면 문제는 더욱 복잡해 진다. 엔드 이펙터에 있는 충돌 센서들을 이용한 장애물 검출, 광 이미지화에 의한 장애물 인식, 검출 과 정렬(ranging), 시각 기법들은 온실 내에서 로봇 주행을 위해 채택되는 몇몇 접근법들이다.
또한 최근 연구들은 시각 제어 기법들의 상업적 적용 및 과일 및 채소 수확 로봇들에 대한 잠재적 적용을 지향하여 나아가기 위해, 과일 채집 및 추출, 맛있는 과일 인식, 이식 및 수확 로봇들의 채집 용량 개선을 위해 로봇 시스템들을 개발하는 데 목표를 두고 있다. 이 모든 경우에 있어, 온실 내 로봇들의 시간 효율적이고 효과적인 주행은 로봇 시스템들을 채택하는 데 있어 중요한 요소이다.
창고의 배치 시스템과 달리 온실의 배치 시스템들 내에서, 로봇은 모든 모판(bed)으로 이동해야 한다. 저장을 위해 사용되는 구조물인 창고는 온실 내에서 모판이라 불리는 선반들의 측면에서, 온실과 놀라운 유사성을 지니고 있다. 둘 다 통로를 지니고 있고 이런 복잡한 통로들을 지나는 이동 시간을 최소화해야 하는 공통된 문제를 지니고 있다. 하지만 앞서 논의했듯, 온실 내 환경은 인간 노동자에게 불리한 반면, 창고는 인간의 건강에 해를 끼치지 않으면서 인간과 로봇 모두를 편리하게 이용할 수 있다. 분사, 수확, 운반을 하기 위해 로봇의 이동을 필요로 하는 온실에서 운용되는 경우처럼, 창고에서, 인간 노동자나 로봇은 팔레트를 비운 채 카트나 지게차를 타고 통로를 지나 이동할 수 있고, 저장된 팔레트(pallet)로부터 물품이나 상자를 선별함으로써 지시 사항을 따를 수 있다(build orders). 대규모 창고에서, 주문 선별(오더 피킹) 시 일반적으로 한 차례 이상의 교차 통로들을 거치는데, 이런 교차 통로들은 한 차례 이동 중 연속적인 채집 지점 간의 이동 거리를 줄여주는 경향이 있다.
단위적재 창고에서, 수량의 물품들을 팔레트에 넣어 정리하고 회수하며, 단일 팔레트에 대해 각각의 스토우(stow:분류한 물건을 선반에 카오스 전략으로 정리-역주)나 피크(pick:고객의 주문에 따라 물건을 찾아 담아 보내는 일-역주)가 이뤄진다. 단위적재 창고의 배분 센터에는 상품을 팔레트에 받아서 선적하는 주문 선별(피킹) 영역들과 빠른 선별(fast-pick)을 보충하는 보존 영역들이 존재한다(Gue & Meller, 2009). 단위적재 창고에서 단일 명령 주기와 이중 명령 주기 혹은 두 가지 주기를 채택할 수 있다. 단일 명령 주기 시, 창고로의 각각의 이동 과정에서 스토우나 피크가 완료된다. 따라서, 이동이란 단일 저장 위치로 오고 가는 것을 말한다. 이중 명령 주기 시, 처음에는 스토우를 위해 그 다음에는 피크를 위해 그 공간으로 이동할 때마다 두 가지 저장 위치를 방문하게 된다. 이동과 관련해 이중 명령이 더 효율적이지만, 이중 명령들은 받는 동시에 선적하는 (선별) 작업 및 근로자들에게 피크에 대한 지시를 내리기 위한 발전된 IT 시스템들을 요한다. 이는 온실과 달리, 창고에서는, 상품의 위치를 항상 알고 있으며, 유일하게 해야 할 일은 시간 효율적인 방식으로 피크 지점으로 직접 이동하는 것임을 시사한다. 이런 경우, 경로 계획이 중요해질 것이다.
앞서 설명했듯이, 분사 작업 시, 로봇은 식물에게 고르게 분사하기 위해 모든 모판으로 이동해야 한다. 또한 수확 작업 시, 로봇들은 수확 결정을 내리기 전에 각 과일을 감식해야 한다. 이런 모든 상황에서 일을 처리하기에 로봇의 배터리는 제한적이며, 수확 작업 시 운송 용량과 분사 작업 시 운동 용량 면에서 제한적이다. 더 나아가 배터리가 어느 지점에서 배터리가 방전될지 혹은 살균 탱크와 로봇 캐리어가 각각 고갈되어 기름을 가득 채우게 될지 예측하는 것은 어려운 일이며 거의 불가능에 가깝다. 그 이유는, 각각의 온실 내 모판 배치 시스템의 크기와 길이가 다르기 때문이다. 모든 온실 규격에 맞는 로봇을 제조하는 것은 상업적으로 실행 불가능할 것이다.
설령 제조가 가능하다 해도, 모든 주어진 시간에 최적의 분사량과 운송 용량을 효율적으로 충족시킬 수 있는 로봇을 정확히 제조하기 위해, 살충제와 수확물의 향후 발전을 예측하기는 어려울 것이다. 온실 내 어떤 주어진 지점에서 기준점까지 이동 시간을 최소화한, 모든 온실 시나리오를 시뮬레이션 할 수 있는 시스템 개발을 고찰하는 것이 최선일 것이다. 현재 이동 시간을 효율적으로 최소화할 배치 최적화 시스템을 고려한 연구는 없다. 게다가 수확 로봇에 일반적으로 부착되어 있는 운송 로봇은 그 용량에 따라 어느 지점에서 연료를 채워야 한다. 연료를 채워야 할 경우, 운송 로봇은 출발 저장(start storage) 지점으로 돌아갔다가 와야 한다. 온실 내 전통적인 배치 시스템에서, 이것은 시간이 많이 소모되는 작업이어서, 경제적 시간의 상당한 상실이 초래된다.
본 발명은 전술한 문제에 기반하여 안출된 발명으로, 본 연구에서, 온실 내 어떤 지점에서 기준점으로 갔다 오는 데 드는 이동 시간을 감소시킬 수 있는 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법을 제공하는 것을 목적으로 한다.
전술한 과제를 해결하기 위해서, 본 발명의 일양태에 따르면, 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법이 제공되고, 이 최적화 방법은,
온실의 레이아웃의 개체군을 초기화 하는 단계;
온실 레이아웃 개체군의 적합성을 계산하는 단계;
레이아웃 개체군을 변형하는 단계;
레이아웃 개체군을 크로스오버하여 재조합하는 단계;
재조합된 레이아웃 개체군으로부터 최적의 레이아웃 개체군을 선택하는 단계;
선택된 레이아웃 개체군이 기준을 만족하는지 여부를 판단하는 단계를 포함한다.
전술한 양태에서 온실의 레이아웃에서 개체군은 온실의 레이아웃의 긴 베드가 각 베드의 가장 긴 쪽을 따라 서로 간 평행으로 위치하는 직사각형 모양의 온실을 가정한 경우;
Bp : 운반 로봇이 운반물을 비우거나, 분무 로봇이 용액 탱크를 채우는 베이스 지점
a : 베드 간의 거리(농작물 요구조건과/혹은 고려되는 로봇의 크기에 좌우됨)
bi : 베드 i가 절단되는 지점
w : 베드 절단 폭의 절반(모든 베드에 고정치)
nr = Bp 오른편의 베드 수
nl = Bp 왼편의 베드 수
br = 오른편 베드의 위치
bl = 왼편 베드의 위치
를 포함한다.
또한 전술한 양태에서, 온실의 레이아웃 개체군의 변형하는 단계는 온실 레이아웃 개체군의 적합성을 계산하는 단계에서 계산된 결과값을 해당하는 온실의 레이아웃에 적용하여 변형을 수행한다.
또한 선택된 레이아웃 개체군이 기준을 만족하는지 여부를 판단하는 단계는, 선택된 레이아웃에서 로봇의 거리 이동시간에 기반하여 판단된다.
본 발명에 따르면, 온실에서 로봇이 신속하고 안전하게 이동할 수 있는 배치 최적화 시스템이 개발될 수 있다. 또한 최적의 식물 성장, 그리고 로봇의 크기를 고려한 로봇의 베드 사이 및 회전 이동을 위해 필요한 베드 사양(仕樣)은 제안된 시스템에서 바뀔 수 있다. 또한 온실 영역, 그리고 로봇이 출발하고 종료되는 베이스 지점도 필요한 사양에서 변경될 수 있다. 조사 사례의 다양한 온실 크기에 대한 실험 시뮬레이션에서 제안된 배치와 통상적인 배치 간 이동시간에서 0부터 약 13%에 이르는 백분율 개선이 입증되었다. 또한 결과에서, 베이스 지점의 위치가 이동시간에서의 백분율 개선에 영향을 미치는 것으로 나타났다. 온실의 모든 지점으로부터 베이스 지점까지의 이동시간을 줄일 수 있는 접근경로를 창출하기 위한 각 베드 상의 최적 지점을 찾을 수 있는 시스템이 제공될 수 있다.
도 1은 전형적인 온실의 구조를 나타내는 도면으로 (A)는 교차통로가 없는 온실의 모습을 나타내는 도면, (B)는 교차통로가 있는 온실의 모습을 나타내는 도면;
도 2는 어떤 위치로부터 베이스 지점에 이르는 이동시간을 최소화하기 위해 본 발명에서 사용한 접근방식 설명하기 위한 도면으로, 여기서 Bw: 베드 폭, a: 베드 간 거리, Bp: 베이스 지점, Rp: 정상 통로, l: 베드 길이, bi: 베드 i가 절단되는 지점, w: 베드 절단 폭의 절반, di: 로봇 이동 거리, qi: 로봇이 바닥 경로를 따라, 혹은 베드를 가로질러 상부에서 아래로 이동할 것인지를 확신하지 못할 경우의 베드 i 상의 지점을 나타내는 도면;
도 3은 상이한 지역에 대한 실험적 시뮬레이션 설치의 일례를 나타낸 도면;
도 4는 창출된 접근로가 있는 새로운 배치와 중간에 베이스 지점이 있는 통상적인 배치 간의 백분율 개선을 나타낸 그래프;
도 5는 창출된 접근로가 있는 새로운 배치와 베이스 지점이 오른쪽으로 1/4 지점에 있는 통상적인 배치 간의 백분율 개선을 나타낸 그래프;
도 6은 30개 베드(폭 60m) 및 500m 길이에서의 중간 베이스 지점(A)과 오른쪽으로 1/4 베이스 지점(B)의 배치 구성을 나타낸 도면;
도 7은 30개 베드(폭 60m) 및 100m 길이에 대한 중간에 베이스 지점이 있는 배치(A)와 오른쪽으로 1/4 지점에 있는 배치(B)의 구성을 나타낸 도면;
도 8은 50개 베드(폭 100m) 및 50m 길이에 대한 중간에 베이스 지점이 있는 배치(A)와 오른쪽으로 1/4 지점에 있는 배치(B)의 구성을 나타낸 도면;
도 9는 100개 베드(폭 183m) 및 20m 길이에 대한 중간에 베이스 지점이 있는 배치(A)와 오른쪽으로 1/4 지점에 있는 배치(B)의 구성을 나타낸 도면;
도 10은 본 발명에 따른 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법의 흐름을 나타내는 흐름도;
도 2는 어떤 위치로부터 베이스 지점에 이르는 이동시간을 최소화하기 위해 본 발명에서 사용한 접근방식 설명하기 위한 도면으로, 여기서 Bw: 베드 폭, a: 베드 간 거리, Bp: 베이스 지점, Rp: 정상 통로, l: 베드 길이, bi: 베드 i가 절단되는 지점, w: 베드 절단 폭의 절반, di: 로봇 이동 거리, qi: 로봇이 바닥 경로를 따라, 혹은 베드를 가로질러 상부에서 아래로 이동할 것인지를 확신하지 못할 경우의 베드 i 상의 지점을 나타내는 도면;
도 3은 상이한 지역에 대한 실험적 시뮬레이션 설치의 일례를 나타낸 도면;
도 4는 창출된 접근로가 있는 새로운 배치와 중간에 베이스 지점이 있는 통상적인 배치 간의 백분율 개선을 나타낸 그래프;
도 5는 창출된 접근로가 있는 새로운 배치와 베이스 지점이 오른쪽으로 1/4 지점에 있는 통상적인 배치 간의 백분율 개선을 나타낸 그래프;
도 6은 30개 베드(폭 60m) 및 500m 길이에서의 중간 베이스 지점(A)과 오른쪽으로 1/4 베이스 지점(B)의 배치 구성을 나타낸 도면;
도 7은 30개 베드(폭 60m) 및 100m 길이에 대한 중간에 베이스 지점이 있는 배치(A)와 오른쪽으로 1/4 지점에 있는 배치(B)의 구성을 나타낸 도면;
도 8은 50개 베드(폭 100m) 및 50m 길이에 대한 중간에 베이스 지점이 있는 배치(A)와 오른쪽으로 1/4 지점에 있는 배치(B)의 구성을 나타낸 도면;
도 9는 100개 베드(폭 183m) 및 20m 길이에 대한 중간에 베이스 지점이 있는 배치(A)와 오른쪽으로 1/4 지점에 있는 배치(B)의 구성을 나타낸 도면;
도 10은 본 발명에 따른 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법의 흐름을 나타내는 흐름도;
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시예를 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.
본 명세서에서 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 따라서, 몇몇 실시예들에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. 그리고, 본 명세서에서 사용된(언급된) 용어들은 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 또한, '포함(또는, 구비)한다'로 언급된 구성 요소 및 동작은 하나 이상의 다른 구성요소 및 동작의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
이하 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하도록 한다. 전통적으로, 온실은 직사각형의 긴 쪽을 따라 평행을 이루는 베드(bed)와, 그 베드 사이를 로봇과/혹은 사람이 움직일 수 있는 채집통로로 불리는 적절한 공간으로 이루어진다. 베드 간의 거리는 통상 작물의 요구조건과/혹은 고려하고 있는 로봇의 크기를 토대로 표준화된다. 그러나 대형 온실에서는 채집통로와 직각을 이루는 교차통로는 로봇이나 사람이 더 용이하게 움직이도록 짜맞추게 된다.
도 1은 교차통로가 있는(도 1의 (A)), 그리고 교차통로가 없는(도 1의 (B)) 통상적인 온실 배치 디자인을 보여준다. 달리 말하면, 통상적인 온실 배치 디자인은 다음과 같은 묵시적 디자인 규칙을 따른다. 1)로봇이 똑바로 평행선을 이루고 움직일 수 있는 채집통로, 2)교차통로(있는 경우)는 직선으로, 채집통로와 직각을 이룬다. 인력이 주(主)가 되는 통상적인 온실에서는 작물을 베드 위로, 혹은 어떤 경우에는 베드 아래를 가로질러 동료 일꾼에게 전달하는 경우도 있다. 그러나 자동화 온실에서는 로봇이 있어서 그렇게 하는 건 현실적이지 않다. 따라서 상기한 규칙을 따르는 통상적인 디자인은 로봇의 자유로운 움직임(접근성)을 제약하고, 이동 시간이 늘어난다. 예를 들면, 앞에서 언급한 것처럼 수확작업에서 운반 로봇은 베이스 지점에서 가득 찬 바스켓을 비워야 한다. 또한 바스켓을 채워야 할 지점을 미리 알 수도 없다. 따라서 로봇의 용이한 움직임을 촉진하고, 주어진 지점에서 출발지점까지의 이동시간을 최소화할 수 있는 최적의 베드 배치를 알아내는 것이 필수적이다. 최근 온실 자동화가 늘어남으로 인해, 온실에서의 로봇 통합작업이 점점 두드러짐에 따라 최적의 베드 배치 디자인이 매우 중요해지고 있다.
창고에서는 비행(飛行) V 배치(도 2)가 이동 시간을 10% 줄여줌으로써, 로봇이 더 양호하게 움직일 수 있게 된다는 연구도 공지된 바가 있다. 도 1 (b)과 도 2 의 배치 간 차이는 로봇이 베드를 가로질러 이동할 수 있게 하는 각 베드 상의 로봇 통과지점 위치이다. 즉, 접근성 혹은 이동시간 단축은 개별 베드가 잘리는 위치에 좌우된다.
따라서 본 발명에서는 긴 베드(l)가 각 베드의 가장 긴 쪽을 따라 서로 간 평행으로 위치하는 직사각형 모양의 온실을 가정했다. 그런 다음, 온실의 어느 지점으로부터도 베이스 지점까지 이동시간이 최소화되는 각 베드의 최적화 절단 지점을 확인하는 목표를 세웠다. 도 2에 나타난 바와 같이, 본 발명에서는 다음과 같은 표기법을 사용했다.
Bp : 운반 로봇이 운반물을 비우거나, 분무 로봇이 용액 탱크를 채우는 베이스 지점
a : 베드 간의 거리(농작물 요구조건과/혹은 고려되는 로봇의 크기에 좌우됨)
bi : 베드 i가 절단되는 지점
w : 베드 절단 폭의 절반(모든 베드에 고정치)
nr = Bp 오른편의 베드 수
nl = Bp 왼편의 베드 수
br = 오른편 베드의 위치
bl = 왼편 베드의 위치
본 발명에서는 베이스 지점(Bp) 오른편을 고려하여 예상 이동시간 혹은 이동비용을 추론한다. 그런 다음, 그것을 베이스 지점(Bp) 왼편 베드까지 연장한다.
도 2에 나타난 것처럼, 벡터 br = {b1,…,bnr}이 Bp 오른편 베드들의 각 베드 당 2w 폭의 교차통로를 제공하도록 절단되는 위치를 정한다. 그러면, 피타고라스 정리에 의거 di 거리는 다음의 식(1) 같이 산정될 수 있다.
여기서 b0 = 0이고, 베이스 지점(Bp)에 위치한다. qi < bi 는 로봇이 베드의 바닥 경로나 높은 경로를 따라, 혹은 도 2에 나타난 바와 같이 베드를 가로질러 아래로 이동할지, 확실하지 않을 경우의 베드i의 지점으로 한다. 따라서, 다음의 식(2) 및 식(3)이 얻어진다.
접근로는 로봇의 위치(y)에 따라 베이스 지점(Bp)으로 돌아가는 여러 최단경로에 해당하는 세 지역으로 나뉘어졌다. y < qi의 경우, 최단경로는 아래쪽으로 바닥 교차통로를 따라가는 길이 될 것이다. qi ≤ y ≤ bi의 경우, 최단경로는 위쪽으로 교차통로를 따라 이동하는 길이 해당된다. y ≥ bi의 경우, 아래쪽으로 교차통로를 따라 이동하는 길이 제안될 수 있다. Ci(y, br)을 로봇이 통로 i에서 균일하게 배분된 지점(y)으로부터 베이스 지점에 도달하는 데 소요되는 이동비용 혹은 이동시간이 되게 한다. 따라서 통로 i ≥ 1의 한 지점으로부터의 예상되는 이동비용은 다음과 같다.
여기서 di와 qi는 방정식 (1)과 (3)에서 각각 얻었다. 통로 0의 한 지점으로부터의 예상 이동비용은 교차통로를 따라가는 이동경로가 없기 때문에 벡터 br에 좌우되지 않는다. 따라서 통로 0의 어떤 지점으로부터 베이스 지점에 이르는 이동의 경우, 예상 이동비용은 단지 통로 중앙으로부터의 이동에 대한 비용뿐이다.
따라서 베이스 지점(Bp)의 오른쪽에 nr 베드와 왼쪽에 nl 베드를 지닌 b = {br, bl}의 경우, 전체 공간에서의 어떤 지점으로부터의 예상되는 이동비용은 다음 식(5)으로 나타난다.
여기서 bl = {b1,…, bnl}이다. 또한 qi ≤ bi - w 조건이 부합되어야 한다. 따라서 최적화 문제는 아래의 식(6)와 같은 최적 b를 찾는 것이었다.
모든 i에 대해 w + qi ≤ bi
모든 i에 대해 bi ≤ h - w 를 조건으로,
E[C(b)]를 최소화하는 것.
따라서 식 (6)에서의 문제 형성은 아래의 식(7)과 같이 나타날 수 있다.
여기서 F(b)는 최소화되는 전체적인 목적함수이다. 식 (6)의 2개 비동등성 제약에 상응하는 제약위반은 vi와 ui 각각에 대한 페널티 인수(因數)로 Ri와 Pi를 지닌 vi와 ui, 그리고 전체 공간에서의 총 베드 수n(nr + nl)이다.
식 (7)에서 형성된 최적화 문제는 격차 진화(DE)[R. Mallipeddi, P. N. Suganthan, Q.-K. Pan, and M. F. Tasgetiren, "Differential evolution algorithm with ensemble of parameters and mutation strategies," Applied soft computing, vol. 11, pp. 1679-1696, 2011.]를 사용하여 해결될 수 있는데, 이는 추계(推計) 집단기반 진화 최적화 알고리즘이다.
다른 진화 알고리즘과 마찬가지로, DE는 매개변수의 최소값과 최대값으로 경계가 정해진 탐색 공간에서 무작위 및 일률적으로 초기화된 해법집단으로 시작한다. DE에서, 집단의 각 개체가 경험한 진화는 변이로 일컬어지는 운전자의 순차적 적용을 통해, 그리고 언제든 집단으로부터 무작위로 선정된 각 개체 간의 교차를 통해 이루어진다. 이러한 변화의 결과는 자손(offspring)으로 불리는 새로운 후보 해법이며, 이 자손은 식 (7)에서 정의된 목표치가 더 낫거나 동일한 경우, 그 집단의 원래 해법을 대체한다. DE에 관한 보다 상세한 설명은 다음의 참조문헌에 상세히 설명되어 있다.
참조1) R. Mallipeddi, P. N. Suganthan, Q.-K. Pan, and M. F. Tasgetiren, "Differential evolution algorithm with ensemble of parameters and mutation strategies," Applied soft computing, vol. 11, pp. 1679-1696, 2011.
참조2) X. Li and M. Yin, "Modified differential evolution with self-adaptive parameters method," Journal of Combinatorial Optimization, vol. 31, pp. 546-576, 2016.
참조3) X. Li, S. Ma, and Y. Wang, "Multi-population based ensemble mutation method for single objective bilevel optimization problem," IEEE Access, vol. 4, pp. 7262-7274, 2016.
전술한 바와 같이, 통상적인 온실(도 1)과 제안된 모델 간의 차이는 교차통로의 위치이다. 교차통로 없는 온실(도 1의 (A)), 베드에 수직 교차통로가 있는 온실(도 1의 (B))에서, 예상 이동비용은 동일할 것이다. 운반 로봇을 채우는 지점(y)의 균일한 분포를 가정할 경우, 통로 i ≥ 1 지점으로부터의 예상 이동비용(시간)은 아래의 식(8) 같다.
통로 0의 모든 지점으로부터의 예상 이동비용은 방정식 (4)와 동일할 것이며, 다음의 식(9)와 같다.
그러면, 통상적인 온실 배치에서 전체 공간의 어떤 지점으로부터의 예상 이동비용은 아래의 식(10) 및 식(11)과 같이 산출된다.
< 실험적 설치 및 시뮬레이션 >
알고리즘으로 얻은 실행시간은 탐색공간에 좌우되었으며, 몇 분에서 몇 시간 사이가 될 수 있었다. 시뮬레이션은 Windows Version 10 오퍼레이팅 시스템(Microsoft Corporation, Redmond, WA)으로, 7 GHz Intel Core i5 프로세서, 8 GB 랜덤 엑세스 메모리, 128 GB 솔리드 스테이트 드라이브로 수행되었다. 이 작업에서, 최적화 알고리즘의 매개변수, 즉 DE는 아래와 같이 설정되었다.
집단 크기(NP) - 500
변이 전략 - DE/rand/1
DE-단계 크기 - 0.5
교차 전략 - 2진법 교차
교차율 - 0.9
최대 반복수 (정지 기준) - 30000
도 3에 나타난 바와 같은 통상적인 배치에 대해 창출된 접근로가 있는 새로운 배치의 백분율 개선을 조사하기 위해 2개의 설치 시뮬레이션을 했다. 첫 번째 설치 분은 배치 중앙에 베이스 지점(시작 및 종료 지점)을 지닌 반면, 두 번째 설치 분에서는 베이스 지점이 오른쪽 1/4 지점에 있었다.
○ 창출된 접근지점이 있는 배치와 통상적인 배치 간의 백분율 개선
중간에 접근로가 있는 배치에서 백분율 개선의 다양한 패턴이 나타났다(도 4). 20m 길이에서, 이동시간의 백분율 개선이 10개 베드(폭 20m)에서 지속적인 급격한 감소가 시작되었고, 200개 베드(폭 362m)에서 개선 없음에 이르렀다. 50m 길이에서, 접근성 개선이 10개 베드(폭 20m)에 이르기까지 급속하게 증가했고, 50개 베드(폭 100m)에서 안정된 이후, 50개 베드(폭 100m)부터 200개 베드(폭 362m)까지는 지속적으로 감소했다. 이 길이에서, 시뮬레이션 결과는 베드 방향의 중요성을 입증했다. 폭이나 길이로 지정되는 선택이 접근성에 영향을 미쳤다. 100m 길이에서, 10개베드부터 100개 베드까지 접근성에서 꾸준한 개선이 있었다. 또한 50개에서 100개 베드 사이의 개선율(약 2%)은 10% 개선율을 기록한 0에서부터 50개 베드에 비해 급격하지는 않았다. 그러나 베드(폭)가 늘어남에 따라 백분율 개선은 약 1%로 줄어들었다. 그럼에도 불구하고, 100m 길이에서의 모든 조사 사례에서 평균 9.2%의 개선을 보이는 등, 새로운 배치와 통상적인 배치 간의 모든 베드에서 여전히 전반적인 개선이 나타났다. 500m 길이에서, 0부터 50개 베드까지의 접근성에서 지속적인 개선과 100개 베드에서의 급격한 감소, 뒤이어 200개 베드에서 창출된 접근로가 있는 새로운 배치와 통상적인 배치 간에 백분율 개선의 증가를 나타내는 상이한 추세가 기록되었다. 따라서 온실의 길이가 폭보다 긴 경우, 개선이 나타난다는 결론을 내릴 수 있다. 이러한 주장은 피타고라스 정리의 원칙으로 뒷받침될 수 있다.
중앙에 베이스 지점이 있는 배치와 마찬가지로, 베이스 지점이 오른쪽 1/4 지점에 있는 배치는 대부분의 사례에서 창출된 접근로가 있는 새로운 배치와 베이스 지점이 오른쪽 1/4 지점에 있는 통상적인 배치 간 이동시간의 백분율 개선에서도 다양한 패턴으로 유사한 추세를 보였다(도 5). 베이스가 온실 중간에 있는 배치처럼, 20m 길이에서의 백분율 개선도 10개 베드(폭 20m)에서 지속적인 급격한 감소가 시작되었으며, 200개 베드(폭 362m)에서는 전혀 개선이 이루어지지 않았다. 또한 50m 길이에서, 접근성 개선은 10개 베드(폭 20m)까지는 급속하게 증가했고, 50개 베드(폭 100m)에서 안정되었다. 뒤이어 50개 베드(폭100m)부터 200개 베드(폭 362m)까지 감소가 지속되었다. 100m 길이에서, 10개 베드부터 100개 베드까지의 접근성에서 꾸준한 개선이 있었다. 그러나 베이스 지점이 중앙에 있는 이전 사례에서와 같이, 50개와 100개 베드 사이의 개선율은 약 2%였는데, 이는 0부터 50개 베드에서 기록된 10% 개선에 비해 덜 유의한 개선을 나타내는 것이다. 또한 베드(폭)가 증가함에 따라, 백분율 개선이 약 1% 감소했다. 이와는 상관 없이, 모든 베드에서 새로운 배치와 통상적인 배치 간에는 여전히 새로운 배치의 전반적인 개선이 있었다. 또한 이전 사례와 유사하게, 500m 길이에서 0부터 50개 베드까지의 접근성에서 지속적인 개선과 100개 베드에서의 가파른 감소, 뒤이은 200개 베드에서의 개선 증가가 나타나는 다양한 추세가 기록되었다.
50m와 100m 길이에서 베이스가 중간에 있는 배치와 우측으로 1/4에 있는 배치 간의 백분율 증가 곡선에서 놀라운 유사성이 존재한다. 그러나 20m와 500m 길이에서 백분율 개선 곡선은 대략 6%에서 정점에 도달했다. 또한 20m와 500m에서 백분율 정점이 각각 6%와 4%로 기록된 이전 사례(중앙 베이스 지점)와는 달리, 20m와 500m에서의 정점이 각각 10개 베드와 50개 베드에서 기록되었다.
○ 창출된 접근지점이 있는 새로운 배치 구성
배치 구성에서, 지역이 동일함에도 불구하고 접근로가 창출된 지점과 패턴은 상이했다. 중간에 베이스가 있는 배치(도 6의 (A))는 접근 지점 절단이 오른쪽으로1/4지점에 베이스 지점이 있는 배치에 비해, 더 낮은 위치로부터 시작되었다. 피타고라스 정리에 따르면, 도 4와 5에서 보는 바와 같이, 베이스가 오른쪽으로 1/4 지점에 있는 것보다는 중간에 배치되는 경우가 온실의 어떤 지역으로부터도 베이스 지점에 더 짧은 시간에 도달하게 된다. 따라서 알고리즘은 어떤 지점으로부터도 이동시간을 최소화할 수 방법을 찾는 것이므로, 베이스 지점이 오른쪽으로 1/4 지점에 있는 배치에서는 동등하지 않은 두 개의 경로를 창출하게 된다(도 6의 (B)).
도 7의 (A)와 (B)는 도 6에 비해 정반대의 드리프트(drift)를 지녔다. 동 배치에서 창출된 접근지점은 도 7의 (A)에 비해 도 7의 (B)에서 더 낮은 위치에서 시작되었다. 그러나 창출된 접근지점은 도 8의 (A)와 (B)에서는 유사한 지점에서 시작되었다. 이러한 시나리오는 도 9의 (A)와 (B)에서도 기록되었다.
도 8의 (A)와 도 9의 (A)에서의 절단 형태는 더 긴 채집 통로, 즉 더 넓은 폭을 지닌 창고의 교차통로가 이런 형태의 디자인에서 더 많은 이점이 있음을 주장하는, 전형적인 비행-V 디자인을 모방했다. 본 연구에서 도 8의 (A)와 도 9의 (A)가 상이한 디자인의 도 8의 (B)와 도 9의 (B)에 비해 이동시간 효율성에서 가장 많은 개선을 보였으므로, 이러한 사실을 확인할 수 있다.
본 발명에 따르면, 온실에서 로봇이 신속하고 안전하게 이동할 수 있는 배치 최적화 시스템이 개발될 수 있다. 또한 최적의 식물 성장, 그리고 로봇의 크기를 고려한 로봇의 베드 사이 및 회전 이동을 위해 필요한 베드 사양(仕樣)은 제안된 시스템에서 바뀔 수 있다. 또한 온실 영역, 그리고 로봇이 출발하고 종료되는 베이스 지점도 필요한 사양에서 변경될 수 있다. 조사 사례의 다양한 온실 크기에 대한 실험 시뮬레이션에서 제안된 배치와 통상적인 배치 간 이동시간에서 0부터 약 13%에 이르는 백분율 개선이 입증되었다. 또한 결과에서, 베이스 지점의 위치가 이동시간에서의 백분율 개선에 영향을 미치는 것으로 나타났다. 온실의 모든 지점으로부터 베이스 지점까지의 이동시간을 줄일 수 있는 접근경로를 창출하기 위한 각 베드 상의 최적 지점을 찾을 수 있는 시스템이 제공될 수 있다.
도 10은 전술한 바와 같은 실시예에 대응하는 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법을 나타내는 흐름도이다. 도 10에 도시된 바와 같이, 로봇 주행을 위한 진화적인 온실배치 최적화 방법은 먼저 단계 S100에서 온실의 레이아웃의 개체군을 초기화 하는 단계를 포함한다.
온실의 레이아웃에서 개체군은 온실의 레이아웃의 긴 베드(l)가 각 베드의 가장 긴 쪽을 따라 서로 간 평행으로 위치하는 직사각형 모양의 온실을 가정한 경우 다음과 같이 정의된다.
Bp : 운반 로봇이 운반물을 비우거나, 분무 로봇이 용액 탱크를 채우는 베이스 지점
a : 베드 간의 거리(농작물 요구조건과/혹은 고려되는 로봇의 크기에 좌우됨)
bi : 베드 i가 절단되는 지점
w : 베드 절단 폭의 절반(모든 베드에 고정치)
nr = Bp 오른편의 베드 수
nl = Bp 왼편의 베드 수
br = 오른편 베드의 위치
bl = 왼편 베드의 위치
이어진 단계 S110에서는 레이아웃 개체군의 적합성을 계산한다. 레이아웃의 적합성은 로봇을 배치하고, 배치된 로봇이 통로 i에서 균일하게 배분된 지점(y)으로부터 베이스 지점에 도달하는 데 소요되는 이동비용 혹은 이동시간을 기준으로 계산된다. 이는 전술한 설명에서 식(1) 내지 식(4)를 이용하여 계산될 수 있다.
다음으로 이 방법은 단계 S120에서 레이아웃 개체군의 변형하는 단계를 포함한다. 레이아웃 개체군의 변형은 전술한 단계 S110에서 계산된 적합성의 결과값을 해당하는 온실의 레이아웃에 적용하여 변형이 이루어지게 된다.
다음으로 단계 S130에서 레이아웃 개체군의 변형이 이루어진 후 레이아웃 개체군의 크로스 오버 및 재조합 단계가 수행되는데, 여기에서는 단계 S120에서 적합성이 계산된 레이아웃과 단계 S130에서 병형된 레이아웃을 크로스오버하여 복수의 레이아웃들을 재조합하여 생성한다.
이어진 단계 S140에서는 레이아웃 개체군들 중 최적의 레이아웃 개체군이 선택되고, 단계 S150에서는 선택된 레이아웃 개체군이 기준을 만족하는지 여부가 판단된다. 여기서 기준은 거리 이동시간에 기반하여 계산될 수 있으며, 이는 최소의 거리 이동시간을 기준으로 한다.
단계 S150에서 레이아웃 기준이 만족되는 경우에는 모든 프로세스가 종료되지만 단계 S150에서 레이아웃 기준이 만족되지 않는 경우에는 단계 S120으로 되돌아가 단계 S150까지의 단계를 반복하여 수행하게 된다.
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 속하는 것으로 해석되어야만 한다.
Claims (4)
- 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법에 있어서,
온실의 레이아웃의 개체군을 초기화 하는 단계;
온실 레이아웃 개체군의 적합성을 계산하는 단계;
레이아웃 개체군을 변형하는 단계;
레이아웃 개체군을 크로스오버하여 재조합하는 단계;
재조합된 레 이아웃 개체군으로부터 최적의 레이아웃 개체군을 선택하는 단계;
선택된 레이아웃 개체군이 기준을 만족하는지 여부를 판단하는 단계를 포함하되,
선택된 레이아웃 개체군이 기준을 만족하는지 여부를 판단하는 단계는, 선택된 레이아웃에서 로봇의 거리 이동시간에 기반하여 판단되는 것을 특징으로 하는
빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법.
- 제1항에 있어서,
온실의 레이아웃에서 개체군은 온실의 레이아웃의 긴 베드가 각 베드의 가장 긴 쪽을 따라 서로 간 평행으로 위치하는 직사각형 모양의 온실을 가정한 경우;
Bp : 운반 로봇이 운반물을 비우거나, 분무 로봇이 용액 탱크를 채우는 베이스 지점
a : 베드 간의 거리(농작물 요구조건과/혹은 고려되는 로봇의 크기에 좌우됨)
bi : 베드 i가 절단되는 지점
w : 베드 절단 폭의 절반(모든 베드에 고정치)
nr = Bp 오른편의 베드 수
nl = Bp 왼편의 베드 수
br = 오른편 베드의 위치
bl = 왼편 베드의 위치
를 포함하는 것을 특징으로 하는 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법.
- 제2항에 있어서,
온실의 레이아웃 개체군의 변형하는 단계는
온실 레이아웃 개체군의 적합성을 계산하는 단계에서 계산된 결과값을 해당하는 온실의 레이아웃에 적용하여 변형하는 것을 특징으로 하는
빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190134298A KR102188482B1 (ko) | 2019-10-28 | 2019-10-28 | 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190134298A KR102188482B1 (ko) | 2019-10-28 | 2019-10-28 | 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102188482B1 true KR102188482B1 (ko) | 2020-12-08 |
Family
ID=73778978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190134298A KR102188482B1 (ko) | 2019-10-28 | 2019-10-28 | 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102188482B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230058957A (ko) | 2021-10-25 | 2023-05-03 | 한국전자통신연구원 | 온실환경에서의 이동로봇의 자율주행을 위한 주행경로 계획 생성 시스템 및 방법 |
| KR20230070846A (ko) | 2021-11-15 | 2023-05-23 | 한국전자통신연구원 | 이동로봇의 자율주행을 위한 레일 탑승 제어 장치 및 방법 |
| KR102616776B1 (ko) * | 2023-08-21 | 2023-12-21 | 주식회사 랑데뷰 | 자율주행 가능한 대차 로봇 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005332352A (ja) * | 2004-05-21 | 2005-12-02 | Rui Fujimaki | バーチャル室内レイアウトシステム及び記録媒体、並びに広告方法。 |
| JP2007289056A (ja) * | 2006-04-25 | 2007-11-08 | Shinko Engineering Kk | 植物栽培システム |
-
2019
- 2019-10-28 KR KR1020190134298A patent/KR102188482B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005332352A (ja) * | 2004-05-21 | 2005-12-02 | Rui Fujimaki | バーチャル室内レイアウトシステム及び記録媒体、並びに広告方法。 |
| JP2007289056A (ja) * | 2006-04-25 | 2007-11-08 | Shinko Engineering Kk | 植物栽培システム |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230058957A (ko) | 2021-10-25 | 2023-05-03 | 한국전자통신연구원 | 온실환경에서의 이동로봇의 자율주행을 위한 주행경로 계획 생성 시스템 및 방법 |
| KR20230070846A (ko) | 2021-11-15 | 2023-05-23 | 한국전자통신연구원 | 이동로봇의 자율주행을 위한 레일 탑승 제어 장치 및 방법 |
| KR102616776B1 (ko) * | 2023-08-21 | 2023-12-21 | 주식회사 랑데뷰 | 자율주행 가능한 대차 로봇 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102188482B1 (ko) | 빠르고 안전한 로봇 주행을 위한 진화적인 온실배치 최적화 방법 | |
| KR102476669B1 (ko) | 물품 핸들링 조율 시스템 및 수송 용기의 재위치결정 방법 | |
| Lee et al. | Robotics in order picking: evaluating warehouse layouts for pick, place, and transport vehicle routing systems | |
| EP3341308B1 (de) | Lager- und kommissioniersystem | |
| Thayer et al. | Multirobot routing algorithms for robots operating in vineyards | |
| Gracia et al. | An application of the vehicle routing problem to biomass transportation | |
| EP3772903A1 (en) | Automated vertical farming system using mobile robots | |
| GB2541765A (en) | Growing systems and methods | |
| Bakhtiari et al. | Optimal route planning of agricultural field operations using ant colony optimization | |
| Bolu et al. | Path planning for multiple mobile robots in smart warehouse | |
| US20230301245A1 (en) | Farming system methods and devices | |
| Uyeh et al. | Evolutionary greenhouse layout optimization for rapid and safe robot navigation | |
| Guevara et al. | Improving the manual harvesting operation efficiency by coordinating a fleet of N-trailer vehicles | |
| JP2023533395A (ja) | 倉庫に保管されている製品から注文品を準備するために複数の移動ロボットを管理するシステムおよび方法 | |
| Levin et al. | A conceptual framework and optimization for a task-based modular harvesting manipulator | |
| CN112180919B (zh) | 一种仓储系统中的机器人运行路径规划方法、装置及系统 | |
| CN113682704A (zh) | 任务分配方法、装置、服务器和存储介质 | |
| Mazar et al. | Simulation and optimization of robotic tasks for UV treatment of diseases in horticulture | |
| NL1043685B1 (en) | Harvest robot system | |
| Bechar | Agricultural robotics for precision agriculture tasks: concepts and principles | |
| NL1043784A (en) | Harvest robot system | |
| Ravikanna et al. | Maximising availability of transportation robots through intelligent allocation of parking spaces | |
| EP4255167A1 (en) | Robot fruit picking system | |
| Öztürkoğlu | Investigating the robustness of aisles in a non-traditional unit-load warehouse design: Leverage | |
| JP2023533843A (ja) | 搬送デバイスのためのコントローラ及び方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |