KR102615685B1 - 멀티 센서를 동기화시켜 위치를 추정하는 방법 및 이를 구현하는 로봇 - Google Patents

멀티 센서를 동기화시켜 위치를 추정하는 방법 및 이를 구현하는 로봇 Download PDF

Info

Publication number
KR102615685B1
KR102615685B1 KR1020197026555A KR20197026555A KR102615685B1 KR 102615685 B1 KR102615685 B1 KR 102615685B1 KR 1020197026555 A KR1020197026555 A KR 1020197026555A KR 20197026555 A KR20197026555 A KR 20197026555A KR 102615685 B1 KR102615685 B1 KR 102615685B1
Authority
KR
South Korea
Prior art keywords
information
sensor
robot
lidar
type
Prior art date
Application number
KR1020197026555A
Other languages
English (en)
Other versions
KR20220002758A (ko
Inventor
어규호
김정식
김형록
노동기
박중태
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Publication of KR20220002758A publication Critical patent/KR20220002758A/ko
Application granted granted Critical
Publication of KR102615685B1 publication Critical patent/KR102615685B1/ko

Links

Images

Classifications

    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/579—Depth or shape recovery from multiple images from motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • B25J13/088—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices with position, velocity or acceleration sensors
    • B25J13/089—Determining the position of the robot with reference to its environment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B25J19/021—Optical sensing devices
    • B25J19/022—Optical sensing devices using lasers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B25J19/021—Optical sensing devices
    • B25J19/023—Optical sensing devices including video camera means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J5/00—Manipulators mounted on wheels or on carriages
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J5/00—Manipulators mounted on wheels or on carriages
    • B25J5/007—Manipulators mounted on wheels or on carriages mounted on wheels
    • 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
    • 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
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0272—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising means for registering the travel distance, e.g. revolutions of wheels
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

본 발명은 멀티 센서를 동기화시켜 위치를 추정하는 방법 및 이를 구현하는 로봇에 관한 것으로, 발명의 일 실시예에 의한 멀티 센서를 동기화시켜 위치를 추정하는 로봇은 제1센서가 제1타입의 정보를 획득하면 제1타입의 정보를 이용한 제1타입 오도메트리 정보를 생성하며, 제1타입 오도메트리 정보의 생성 시점에 제2센서를 제어하여 제2타입의 정보를 획득 후 제2타입의 정보를 이용한 제2타입 오도메트리 정보를 생성하며, 제1타입 오도메트리 정보 및 제2타입 오도메트리 정보를 결합하여 로봇의 위치를 추정하는 제어부를 포함한다.

Description

멀티 센서를 동기화시켜 위치를 추정하는 방법 및 이를 구현하는 로봇
본 발명은 멀티 센서를 동기화시켜 위치를 추정하는 방법 및 이를 구현하는 로봇에 관한 기술이다.
대형 마트, 백화점, 공항, 골프장 등 인적, 물적 교류가 활발하게 발생하는 공간에는 사람들에게 정보를 제공하기 위해, 또는 사람들에게 편의를 제공하기 위해 로봇이 배치될 수 있다.
전술한 로봇의 종류로는 안내로봇, 보안로봇, 청소로봇 등이 있으며, 이들 다양한 로봇들은 공간 내에서 자신의 위치를 확인하며 이동한다.
한편, 로봇들이 자신의 위치를 확인하고 장애물을 회피하며 이동하기 위해서는 공간에 대한 정보와 로봇의 현재 위치 또는 이전에 로봇이 이동한 경로 등에 대한 정보를 로봇이 유지해야 한다.
로봇이 공간을 확인하고 이동하기 위해 로봇은 맵을 보유할 수 있다. 그런데, 맵을 생성하기 위해서 로봇은 다양한 센서들을 이용하여 맵을 작성할 수 있으며, 맵 내의 정보의 다양한 정보들을 일치시켜 저장하는 것이 필요하다.
또한, 맵을 저장한 후 이를 이용하여 로봇의 위치를 추정하기 위해서는 맵의 정보와 로봇이 주행 과정에서 획득한 정보를 비교하는 것이 필요하다. 즉, 로봇은 맵의 정보와 주행 과정에서 획득한 정보를 비교한 결과 로봇의 위치를 추정하는 로컬라이제이션(localization)을 수행할 수 있다.
한편, 로봇의 위치 추정의 정확도를 높이기 위해 다수의 센서를 사용할 경우, 이들 센서들이 획득한 정보를 위치추정에 사용하기까지 시간이 소요된다. 이때, 소요되는 시간이 길어지거나 센서들 사이에서 시간 차이가 발생할 경우 위치 추정의 정확도가 낮아질 수 있으므로, 이를 해결하는 방법이 필요하다.
미국 특허출원공개공보 US2018/0204338호(2018.07.19.)
본 명세서에서는 전술한 문제점을 해결하기 위한 것으로, 로봇이 다양한 종류의 센서들에 기반하여 로봇의 위치를 추정하고자 한다.
또한, 본 명세서에서는 각각의 센서들이 생성한 정보에 기반하여 로봇의 후보 위치를 산출하고 이들을 이용하여 로봇의 최종 위치 정보를 추정하고자 한다.
또한, 본 명세서에서는 로봇의 센서들 중 어느 하나의 센서가 획득한 정보를 처리하는 시간이 다른 센서가 획득한 정보를 처리하는 시간과 상이할 경우 시간 차이를 줄이거나 보정하여 위치 추정의 정확도를 높일 수 있도록 한다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
발명의 일 실시예에 의한 멀티 센서를 동기화시켜 위치를 추정하는 로봇은 제1센서가 제1타입의 정보를 획득하면 제1타입의 정보를 이용한 제1타입 오도메트리 정보를 생성하며, 제1타입 오도메트리 정보의 생성 시점에 제2센서를 제어하여 제2타입의 정보를 획득 후 제2타입의 정보를 이용한 제2타입 오도메트리 정보를 생성하며, 제1타입 오도메트리 정보 및 제2타입 오도메트리 정보를 결합하여 로봇의 위치를 추정하는 제어부를 포함한다.
발명의 일 실시예에 의한 멀티 센서를 동기화시켜 위치를 추정하는 로봇은 이동부를 구성하는 바퀴의 회전 또는 방향 정보를 결합하여 휠 오도메트리 정보를 생성하는 휠 인코더를 더 포함하며, 제어부는 휠 인코더가 생성한 휠 오도메트리 정보를 이용하여 제1타입 오도메트리 정보 및 제2타입 오도메트리 정보를 생성한다.
발명의 일 실시예에 의한 멀티 센서를 동기화시켜 위치를 추정하는 로봇은 제1센서가 2차원의 라이다 센서이고 제2센서는 카메라 센서이며, 2차원의 라이다 센서가 주기적으로 라이다 프레임을 생성하며, 제어부는 t 시점에 도달하기 전에 라이다 프레임이 생성되면, t 시점에서 생성된 라이다 프레임을 이용하여 라이다 오도메트리 정보를 생성하고, 제어부는 t 시점에서 카메라 센서에게 비주얼 프레임의 생성을 지시한다.
발명의 일 실시예에 의한 멀티 센서를 동기화시켜 위치를 추정하는 로봇은 제1센서가 카메라 센서 센서이고 제2센서는 3차원의 라이다 센서이며, 카메라 센서가 주기적으로 비주얼 프레임을 생성하며, 제어부는 t 시점에 도달하기 전에 비주얼 프레임이 생성되면, t 시점에서 생성된 비주얼 프레임을 이용하여 비주얼 오도메트리 정보를 생성하고, 제어부는 t 시점에서 라이다 센서에게 라이다 프레임의 생성을 지시한다.
발명의 일 실시예에 의한 멀티 센서를 동기화시켜 위치를 추정하는 로봇은 이전 시점의 제1휠 오도메트리 정보와 제1위치 정보를 이용하여 제1위치 보정 매트릭스를 생성하고, 제어부는 제1위치 정보와 현재 시점의 제2휠 오도메트리 정보를 이용하여 제1위치 보정 매트릭스를 제2위치 보정 매트릭스로 변환하며, 제어부는 제2위치 보정 매트릭스와 제2휠 오도메트리 정보를 결합하여 제2위치 정보를 생성한다.
발명의 일 실시예에 의한 멀티 센서를 동기화시켜 위치를 추정하는 방법은 로봇의 제1센서가 로봇이 SLAM을 수행하는데 필요한 제1타입의 정보를 획득하는 단계와, 제1센서가 제1타입의 정보를 획득하면 로봇의 제어부는 제1타입의 정보를 이용한 제1타입 오도메트리 정보를 생성하는 단계와, 제1타입 오도메트리 정보의 생성 시점에 제어부가 로봇의 제2센서를 제어하여 제2센서가 로봇이 SLAM을 수행하는데 필요한 제2타입의 정보를 획득하는 단계와, 제어부가 제2타입의 정보를 이용한 제2타입 오도메트리 정보를 생성하는 단계와, 제어부가 제1타입 오도메트리 정보 및 제2타입 오도메트리 정보를 결합하여 로봇의 위치를 추정하는 단계를 포함한다.
본 발명의 실시예들을 적용할 경우, 로봇이 로봇이 다양한 종류의 센서들에 기반하여 로봇의 위치를 추정할 수 있다.
또한, 본 발명의 실시예들을 적용할 경우, 각각의 센서들이 생성한 정보에 기반하여 로봇의 후보 위치를 산출하고 이들을 이용하여 로봇의 최종 위치 정보를 추정할 수 있다.
또한, 본 발명의 실시예들을 적용할 경우, 로봇의 센서들 중 어느 하나의 센서가 획득한 정보를 처리하는 시간이 다른 센서가 획득한 정보를 처리하는 시간과 상이할 경우 두 센서의 시간 차이를 줄이거나 보정하여 위치 추정의 정확도를 높이고자 한다.
본 발명의 효과는 전술한 효과에 한정되지 않으며, 본 발명의 당업자들은 본 발명의 구성에서 본 발명의 다양한 효과를 쉽게 도출할 수 있다.
도 1은 본 발명의 일 실시예에 의한 로봇의 외관을 보여준다.
도 2는 본 발명의 일 실시예에 의한 로봇의 제어모듈의 구성 요소를 보여준다.
도 3은 로봇이 공간에서 이동하는 과정을 보여준다.
도 4는 본 발명의 일 실시예에 의한 맵의 다중 구조를 보여준다.
도 5는 본 발명의 일 실시예에 의한 라이다 센서와 카메라 센서 간의 동기화를 수행하는 과정을 보여준다.
도 6은 본 발명의 다른 실시예에 의한 라이다 센서와 카메라 센서 간의 동기화를 수행하는 과정을 보여준다.
도 7은 본 발명의 일 실시예에 의한 두 종류의 센서를 동기화시키는 과정을 보여준다.
도 8은 본 발명의 일 실시예에 의한 로봇이 SLAM 과정에서 위치 보정을 수행하는 과정을 보여준다.
도 9는 본 발명의 일 실시예에 의한 AI 서버의 구성을 보여준다.
도 10은 본 발명의 일 실시예에 의한 로봇이 SLAM 과정에서 인공지능에 기반하여 포즈 그래프를 업데이트하는 과정을 보여준다.
이하, 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.
본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
이하, 본 명세서에서 로봇은 특정한 목적(청소, 보안, 모니터링, 안내 등)을 가지거나 혹은 로봇이 이동하는 공간의 특성에 따른 기능을 제공하며 이동하는 장치를 포함한다. 따라서, 본 명세서에서의 로봇은 소정의 정보와 센서를 이용하여 이동할 수 있는 이동수단을 보유하며 소정의 기능을 제공하는 장치를 통칭한다.
본 명세서에서 로봇은 맵을 보유하면서 이동할 수 있다. 맵은 공간에서 이동하지 않는 것으로 확인된 고정된 벽, 계단 등 고정 객체에 대한 정보를 의미한다. 또한, 주기적으로 배치되는 이동 장애물, 즉 동적인 객체들에 대한 정보도 맵 상에 저장될 수 있다.
일 실시예로 로봇의 진행 방향을 기준으로 일정한 범위 내에 배치된 장애물들에 대한 정보도 맵 상에 저장될 수 있다. 이 경우, 전술한 고정 객체가 저장되는 맵과 달리 임시적으로 장애물들의 정보가 맵에 등록되고 이후 로봇이 이동한 후 맵에서 제거될 수 있다.
또한, 본 명세서에서 로봇은 다양한 센서들을 이용하여 외부의 동적 객체를 확인할 수 있다. 외부의 동적 객체를 확인하면, 보행자로 붐비는 환경에서 로봇이 목적지까지 주행할 때, 목적지까지 거쳐가야 하는 경유 지점(Waypoint)의 장애물에 의한 점유 상황을 확인할 수 있다.
또한 로봇은 경유 지점의 방향 변경 정도에 따라 유연하게 경유 지점을 도착한 것으로 판단하고 다음 경유 지점으로 넘어 가도록 하여 목적지까지 성공적으로 주행할 수 있다.
도 1은 본 발명의 일 실시예에 의한 로봇의 외관을 보여준다. 도 1은 예시적인 외관에 해당하며, 도 1의 외관 외에도 다양한 외관으로 본 발명의 로봇을 구현할 수 있다. 특히, 각각의 구성요소는 로봇의 형상에 따라 상하좌우 전후 등에서 다른 위치에 배치될 수 있다.
본체(10)는 상하 방향으로 길이가 길게 형성되며, 전체적으로 하부에서 상부 방향으로 올라갈수록 슬림해지는 오뚝이 형상을 가질 수 있다.
본체(10)는 로봇(1)의 외관을 형성하는 케이스(30)를 포함할 수 있다. 케이스(30)는 상측에 배치되는 탑 커버(31), 탑 커버(31)의 하측에 배치되는 제1 미들 커버(32), 제1 미들 커버(32)의 하측에 배치되는 제2 미들 커버(33) 및 제2 미들 커버(33)의 하측에 배치되는 바텀 커버(34)를 포함할 수 있다. 여기서 제1 미들 커버(32)와 제2 미들 커버(33)는 하나의 미들 커버로 이루어질 수 있다.
탑 커버(31)는 로봇(1)의 최상단에 위치되며, 반구 또는 돔 형상을 가질 수 있다. 탑 커버(31)는 사용자로부터 명령을 용이하게 입력 받기 위하여 성인의 키보다 낮은 높이에 위치될 수 있다. 그리고 탑 커버(31)는 소정각도 회전 가능하도록 구성될 수 있다.
한편, 로봇(1)은 그 내부에 제어모듈(150)을 더 포함할 수 있다. 제어모듈(150)은 일종의 컴퓨터 또는 프로세서와 같이 로봇(1)을 제어한다. 따라서 제어모듈(150)은 로봇(1)내에 배치되어 메인 프로세서와 유사한 기능을 수행하며, 사용자와의 인터랙션(interaction)을 담당할 수 있다.
로봇의 이동과 주변의 사물을 감지하여 로봇을 제어하기 위해 제어모듈(150)이 로봇(1) 내부에 탑재된다. 로봇제어모듈(150)은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩 등으로 구현 가능하다.
탑 커버(31)는 전면 일측에 사용자로부터 명령을 입력받거나 정보를 출력하는 디스플레이부(31a)과 카메라(31b), 마이크(31c)를 일 실시예로 하는 센서가 배치될 수 있다.
또한, 탑 커버(31)의 디스플레이부(31a) 외에도 미들 커버(32)의 일측에도 디스플레이부(20)가 배치된다.
로봇의 기능에 따라 두 개의 디스플레이부(31a, 20) 모두 정보를 출력하거나 혹은 어느 한쪽에서만 정보가 출력될 수 있다.
한편, 로봇(1)의 일측면 또는 하단부 전체에는 35a, 35b와 같이 다양한 장애물 센서(도 2의 220)들이 배치된다. 장애물 센서들은 TOF(Time of Flight) 센서, 초음파 센서, 적외선 센서, 뎁스 센서, 레이저 센서, 라이다 센서 등을 일 실시예로 한다. 센서들은 다양한 방식으로 로봇(1) 외부의 장애물을 감지한다.
또한, 도 1의 로봇은 하단부에 로봇을 이동시키는 구성요소인 이동부를 더 포함한다. 이동부는 일종의 바퀴와 같이 로봇을 이동시키는 구성요소이다.
도 1의 로봇의 형상은 예시적이며, 본 발명이 이에 한정되는 것은 아니다. 또한, 로봇의 다양한 카메라들과 센서들 역시 로봇(1)의 다양한 위치에 배치될 수 있다. 도 1의 로봇은 사용자에게 정보를 안내하고 특정 지점까지 이동하여 사용자를 안내하는 안내 로봇을 일 실시예로 한다.
이외에도 청소, 보안 또는 기능을 제공하는 로봇 역시 도 1의 로봇의 범위에 포함된다. 다양한 기능을 제공할 수 있으나, 본 명세서에서는 설명의 편의를 위해 안내 로봇을 중심으로 설명한다.
도 1를 일 실시예로 하는 로봇이 서비스 공간 내에 다수 배치된 상태에서 로봇이 특정한 기능(안내, 청소, 보안 등)을 수행한다. 이 과정에서 로봇(1)은 자신의 위치를 저장하며, 로봇(1)은 전체 공간에서 자신의 현재 위치를 확인하고, 목표 지점으로 이동하는데 필요한 경로를 생성할 수 있다.
도 1의 로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
도 2는 본 발명의 일 실시예에 의한 로봇의 제어모듈의 구성 요소를 보여준다.
로봇은 맵을 생성하는 기능과 맵을 이용하여 로봇의 위치를 추정하는 기능 둘 다 수행할 수 있다.
또는 로봇은 맵을 생성하는 기능만 제공할 수 있다.
또는 로봇은 맵을 이용하여 로봇의 위치를 추정하는 기능만 제공할 수 있다. 이하, 본 발명의 로봇은 맵을 이용하여 로봇의 위치를 추정하는 기능을 주로 제공한다. 추가적으로 로봇은 맵을 생성하거나 수정하는 기능을 제공할 수 있다.
라이다 센서(LiDAR Sensor)(220)는 2차원 또는 3차원으로 주변의 사물들을 센싱할 수 있다. 2차원 라이다 센서의 경우 로봇을 중심으로 360도 범위의 사물의 위치를 센싱할 수 있다. 특정 위치에서 센싱한 라이다 정보는 하나의 라이다 프레임을 구성할 수 있다. 즉, 라이다 센서(220)는 로봇의 외부에 배치된 사물과 로봇 사이의 거리를 센싱하여 라이다 프레임을 생성한다.
카메라 센서(230)는 일반 카메라를 일 실시예로 한다. 시야각의 제약을 해결하기 위해 둘 이상의 카메라 센서(230)를 사용할 수 있다. 특정 위치에서 촬영한 영상은 비전 정보를 구성한다. 즉, 카메라 센서(230)는 로봇의 외부에 배치된 사물을 촬영하여 비전 정보를 포함하는 비주얼 프레임을 생성한다.
이하 본 발명을 적용하는 로봇(1)은 라이다 센서(220)와 카메라 센서(230)를 이용한 퓨젼-SLAM(Fusion-simultaneous localization and mapping)을 수행한다.
퓨전 SLAM은 라이다 정보와 비전 정보를 결합하여 사용할 수도 있다. 이들 라이다 정보와 비전 정보는 맵으로 구성할 수 있다.
로봇이 퓨전 SLAM을 사용할 경우, 하나의 센서만을 사용하는 방식(LiDAR-only SLAM, visual-only SLAM)와 비교하여 위치 추정의 정확도가 높다. 즉, 라이다 정보와 비전 정보를 결합하여 퓨전 SLAM을 수행하면 맵 품질(map quality) 측면에서 더 좋은 맵을 획득할 수 있다.
여기서, 맵 품질이란 비전 정보들로 구성된 비전 맵(vision map)과 라이다 정보로 구성된 라이다 맵(lidar map) 양쪽에 모두 해당하는 기준이다. 퓨전 SLAM 시 각각의 맵 품질이 좋아지는데 이는 각각의 센서가 획득하지 못하거나 부족한 정보를 센서들이 서로 이용할 수 있기 때문이다.
또한, 하나의 맵에서 라이다 정보 또는 비전 정보만을 추출하여 사용할 수 있다. 예를 들어, 로봇이 보유하는 메모리의 양이나 연산 프로세서의 연산 능력 등에 적합하게 라이다 정보만을 이용하거나, 비전 정보만을 이용하거나 또는 두 정보 모두를 로봇의 위치 추정(localization)에 적용할 수 있다.
인터페이스부(290)는 사용자로부터 정보를 입력받는다. 터치 입력, 음성 입력 등 다양한 정보를 사용자로부터 입력받고, 이에 대한 결과를 출력한다. 또한 인터페이스부(290)는 로봇(1)이 저장하는 맵을 출력하거나, 로봇이 이동하는 과정을 맵과 오버랩 하여 출력할 수 있다.
또한, 인터페이스부(290)는 사용자에게 소정의 정보를 제공할 수 있다.
제어부(250)는 후술할 도 4와 같은 맵을 생성하고 이 맵을 기반으로 로봇이 이동하는 과정에서 로봇의 위치를 추정한다.
통신부(280)는 로봇(1)이 다른 로봇 또는 외부의 서버와 통신하여 정보를 송수신할 수 있도록 한다.
로봇(1)은 각각의 센서들(라이다 센서, 카메라 센서)을 이용하여 각각의 맵을 생성할 수 있다. 또는 로봇(1)은 이들 센서들을 이용하여 하나의 맵을 만든 후 맵에서 다시 이들로부터 특정 센서에 해당하는 내용만을 추출하는 맵을 생성할 수 있다.
또한, 본 발명의 맵은 바퀴의 회전에 기반한 오도메트리(odometry) 정보를 포함할 수 있다. 오도메트리 정보는 로봇의 바퀴 회전 횟수나 양 바퀴의 회전 횟수의 차이 등을 이용하여 로봇이 이동한 거리를 산출한 정보이다. 도 2의 휠 인코더(Wheel Encoder)(260)는 로봇의 이동부를 구성하는 바퀴의 회전이나 방향 등의 정보를 취합하여 휠 오도메트리 정보를 생성하고 이를 제어부(250)에게 제공한다. 제어부(250)는 휠 인코더(260)가 제공한 정보에 기반하여 이동 거리나 이동 방향 등을 산출할 수 있다.
센서들을 이용한 정보 외에도 오도메트리 정보를 이용하여 로봇이 어디까지 이동했는지 로봇이 계산할 수 있다.
도 2의 제어부(250)는 인공지능 작업 및 처리를 위한 인공지능부(255)를 더 포함할 수 있다.
로봇의 라이다 센서(220) 및 카메라 센서(230)는 외부의 물체를 식별하기 위해 로봇(1)의 외부에 다수 배치할 수 있다.
도 2에 제시된 라이다 센서(220) 및 카메라 센서(230) 외에도 로봇(1)의 외부에는 다양한 종류의 센서들(라이다 센서, 적외선 센서, 초음파 센서, 뎁스 센서, 이미지 센서, 마이크 등)이 배치된다. 제어부(250)는 센서들이 센싱한 정보를 취합 및 처리한다.
인공지능부(255)는 라이다 센서(220) 및 카메라 센서(230), 그리고 그 외의 센서들이 처리한 정보 또는 로봇(1)이 이동 과정에서 누적 저장한 정보 등을 입력하여 제어부(250)가 외부 상황을 판단하거나, 정보를 처리하거나, 이동 경로를 생성하는데 필요한 결과물을 출력할 수 있다.
일 실시예로, 로봇(1)은 로봇이 이동하는 공간에 배치된 다양한 사물들의 위치 정보를 맵으로 저장할 수 있다. 사물들은 벽, 문 등의 고정 사물들과 화분, 책상 등 이동 가능한 사물들을 포함한다. 인공지능부(255)는 맵 정보와 라이다 센서(220) 및 카메라 센서(230), 그리고 그 외의 센서들이 제공하는 정보들을 이용하여 로봇이 이동할 경로, 혹은 로봇이 작업시 커버해야 할 범위 등에 대한 데이터를 출력할 수 있다.
또한 인공지능부(255)는 라이다 센서(220) 및 카메라 센서(230), 그리고 그 외의 센서들이 제공하는 정보들을 이용하여 로봇 주변에 배치된 사물을 인식할 수 있다. 인공지능부(255)는 이미지를 입력받아 이미지에 관한 메타 정보를 출력할 수 있다. 메타 정보란 이미지 내의 사물의 명칭, 사물과 로봇과의 거리, 사물의 종류, 사물이 맵 상에 위치하는지 여부 등을 포함한다.
라이다 센서(220) 및 카메라 센서(230), 그리고 그 외의 센서들이 제공하는 정보는 인공지능부(255)의 딥러닝 네트워크의 입력 노드로 입력된 후, 인공지능부(255)의 딥러닝 네트워크의 히든 레이어의 정보 처리를 통해 인공지능부(255)의 출력 노드에서 결과가 출력된다.
제어부(250)는 인공지능부(255)가 산출한 데이터 또는 다양한 센서들이 처리한 데이터를 이용하여 로봇의 이동 경로를 산출할 수 있다.
도 2의 로봇은 전술한 바와 같이 맵을 생성하는 기능과 맵을 이용하여 주행하며 위치를 추정하는 기능 중 어느 하나 이상을 포함할 수 있다. 도 2의 로봇이 맵을 생성하거나 또는 맵을 이용하여 위치를 추정하는 공간의 예시로 도 3을 살펴볼 수 있다.
도 3은 로봇이 공간에서 이동하는 과정을 보여준다. 공간(40) 내에서 로봇은 41이 지시하는 선을 따라 이동하며 라이다 센서(220)를 이용하여 특정 지점에서 라이다 센서가 센싱한 정보를 맵 저장부(210)에 저장할 수 있다. 공간(40)의 기초 형상은 로컬 맵(local map)으로 저장될 수 있다.
마찬가지로 로봇은 공간(40)을 이동하면서 카메라 센서(230)를 이용하여 특정 지점에서 카메라 센서가 센싱한 정보를 맵 저장부(210)에 저장할 수 있다.
또는, 도 3의 공간에서 로봇은 이동하며, 앞서 맵 저장부(210)에 저장된 정보와 비교하여 로봇의 현재 위치를 확인할 수 있다.
도 4는 본 발명의 일 실시예에 의한 맵의 다중 구조를 보여준다. 도 4는 백본(backbone)을 제1레이어(first layer)로 하며 라이다 브랜치(LiDAR branch) 및 비주얼 브랜치(Visual branch)를 각각 제2레이어(second layer)로 하는 2중층의 구성을 보여준다. 도 4와 같은 구조를 구조적으로 탄력적인 포즈 그래프 기반 슬램(structurally elastic pose graph-based SLAM)이라 명명한다.
백본은 로봇의 궤적(trajectory)을 추적한 정보이다. 또한 백본은 궤적에 대응하는 하나 이상의 프레임 노드들을 포함한다. 그리고 이들 프레임 노드들은 다른 프레임 노드와의 관계에서 제약 정보(constraint, 또는 제약 조건)를 더 포함한다. 노드 사이의 에지는 제약 정보를 나타낸다. 에지는 오도메트리 제약 정보(odometry constraint) 또는 루프 제약 정보(loop constraint)를 의미한다.
또한, 제2레이어의 라이다 브랜치는 라이다 프레임(LiDAR Frame)들로 구성된다. 라이드 프레임은 로봇의 이동 과정에서 센싱한 라이다 센싱 값을 포함한다. 이들 라이다 프레임들 중에서 적어도 하나 이상은 라이다 키프레임(LiDAR Keyframe)으로 설정된다.
라이다 키프레임은 백본의 노드와 대응관계를 가진다. 도 4에서 백본의 노드들 v1 내지 v5 중에서 v1, v2, v4, v5가 라이다 키프레임을 지시한다.
마찬가지로, 제2레이어의 비주얼 브랜치는 비주얼 키 프레임(Visual Keyframe)들로 구성된다. 비주얼 키프레임은 로봇의 이동 과정에서 센싱한 카메라 센싱 값(즉, 카메라로 촬영한 영상)인 비주얼 피쳐 노드(visual feature node)들을 하나 이상 지시한다. 로봇에 배치된 카메라 센서의 수에 따라 로봇은 다수의 비주얼 피쳐 노드를 생성할 수 있다.
즉, 도 4의 맵 구조에서는 백본의 프레임 노드에 라이다 키프레임이 연결되거나 또는 비주얼 키프레임이 연결되는 구성이다. 물론 라이다/비주얼 키프레임 모두 하나의 프레임 노드에 연결될 수 있다(v1, v4, v5).
각 프레임 노드와 연결된 라이다 또는 비주얼 키프레임의 로봇의 포즈는 같다. 다만, 라이다 센서 또는 카메라 센서가 로봇에 부착된 위치에 따라 외부 파라미터(extrinsic parameter)가 키프레임 별로 추가될 수 있다. 외부 파라미터란 로봇 중심으로부터의 센서가 부착된 상대적인 위치 정보를 의미한다.
비주얼 키프레임은 백본의 노드와 대응관계를 가진다. 도 4에서 백본의 노드들 v1 내지 v5 중에서 v1, v3, v4, v5가 비주얼 키프레임을 지시한다. 도 2에서 비주얼 피쳐 노드(비주얼 프레임)들은 두 개가 한 쌍으로 구성되는데, 이는 로봇(1)이 두 개의 카메라 센서(230)를 포함하여 영상을 촬영함을 의미한다. 카메라 센서(230)의 증감에 따라 각각의 위치에서 비주얼 피쳐 노드의 수 역시 증감한다.
제1레이어의 백본을 구성하는 노드들(v1~v5) 사이에는 에지(edge)가 표시되어 있다. e12, e23, e34, e45는 인접 노드들 사이의 에지이며, e13, e35, e25는 인접하지 않은 노드들 사이의 에지이다.
오도메트리 제약 정보 또는 줄여서 오도메트리 정보는 e12, e23, e34, e45와 같이 인접한 프레임 노드 사이의 제약 조건을 의미한다. 루프 제약 정보 또는 줄여서 루프 정보는 e13, e25, e35와 같이 인접하지 않은 프레임 사이의 제약 조건을 의미한다.
백본은 다수의 키프레임들로 구성된다. 다수의 키프레임을 백본으로 추가하기 위해 제어부(250)는 초기 매핑 과정(initial mapping process)를 수행할 수 있다. 초기 매핑은 키프레임 기반으로 라이다 키프레임과 비주얼 키프레임을 추가한다.
도 4의 구조를 정리하면 다음과 같다. 라이다 브랜치는 하나 이상의 라이다 프레임을 포함한다. 비주얼 브랜치는 하나 이상의 비주얼 프레임을 포함한다.
그리고 백본은 라이다 프레임 또는 비주얼 프레임 중 어느 하나 이상과 등록된 프레임 노드를 둘 이상 포함한다. 이때, 프레임 노드에 등록되는 라이다 프레임 또는 비주얼 프레임을 키프레임이라 지칭한다. 그리고 포즈 그래프는 이들 라이다 브랜치, 비주얼 브랜치, 백본을 포함한다.
뿐만 아니라, 포즈 그래프는 프레임 노드 사이의 오도메트리 정보 및 루프 정보 등을 포함한다. 오도메트리 정보는 로봇이 프레임 노드 사이를 이동하여 생성한 휠의 회전이나 방향 등을 포함한다. 루프 정보는 라이다 센서(220)의 최대 센싱 거리 내에서 특정한 프레임 노드를 중심으로 비주얼 키프레임 사이에 특정한 제약 조건으로 연결된 프레임 노드 셋에 기반한다.
도 4의 포즈 그래프는 제어부(250)가 생성한다. 제어부(250)는 라이다 브랜치, 비주얼 브랜치, 백본, 프레임 노드 사이의 오도메트리 정보 및 이를 포함하는 포즈 그래프를 맵 저장부(210)에 저장한다.
전술한 바와 같이, 도 4와 같은 포즈 그래프는 맵 생성 기능을 제공하는 로봇에 의해 생성되어 주행 기능을 제공하는 모든 로봇의 맵 저장부(210)에 저장될 수 있다.
즉, 맵 저장부(210)는 라이다 센서(220)가 획득한 제1라이다 프레임과 비교 가능한 다수의 라이다 프레임들을 포함하는 라이다 브랜치를 저장한다. 또한 맵 저장부(210)는 카메라 센서(230)가 획득한 제1비주얼 프레임과 비교 가능한 다수의 비주얼 프레임들을 포함하는 비주얼 브랜치를 저장한다.
맵 저장부(210)는 저장된 라이다 프레임 또는 저장된 비주얼 프레임 중 어느 하나 이상과 등록된 프레임 노드를 둘 이상 포함하는 백본으로 구성된 포즈 그래프를 저장한다. 또한 맵 저장부(210)는 프레임 노드 사이의 오도메트리 정보를 저장한다.
특히, 도 4의 포즈 그래프는 카메라 센서(230)와 라이다 센서(220) 중 어느 하나만 작동 가능한 경우에도 로봇(1)이 위치 추정에 이용할 수 있다. 또는 로봇의 센서들 중 어느 하나의 정확도가 낮거나 어느 하나의 센서가 획득한 정보에 대응하는 위치가 다수 검출된 경우에 로봇(1)은 또다른 센서를 이용하여 위치 추정의 정확도를 높일 수 있다.
예를 들어, 하나 이상의 카메라 센서(230)와 하나 이상의 라이다 센서(220)를 모두 포함하는 로봇(1)이 퓨전 SLAM(Fusion-SLAM)으로 멀티 센서가 획득한 정보를 이용하여 위치를 추정할 수 있다. 각각의 센서를 이용하여 추정한 위치 추정 결과 중 하나라도 참인 경우가 존재하면 로봇(1)은 위치 추정이 가능하다.
또는 로봇(1)의 각 센서 중 일부 센서만 동작 가능하거나 어느 하나의 센서만을 포함하는 경우에도 맵 저장부(210)에 저장된 각 센서 별 저장된 정보를 이용하여 위치 추정이 가능하다. 하나의 라이다 센서(220)를 사용할 경우 라이다 센서(220)는 360도를 커버할 수 있다.
또한, 로봇(1)의 각 센서들이 모두 동작할 경우, 제어부(250)는 센서들이 센싱하는 시점을 제어하여 각 센서들이 정보를 획득하는 시점 또는 획득한 정보를 처리하는 시점을 조절할 수 있다.
로봇(1)이 각 센서들의 데이터 획득 및 처리 시간을 고려할 경우, 다양한 센서들을 이용하여 위치를 추정함에 있어서, 동기화 문제를 해결할 수 있다.
로봇(1)이 다수의 센서들을 이용하여 퓨전 SLAM(Fusion SLAM)을 수행할 경우, 필요한 정보들에 대해 살펴본다. 휠 오도메트리(wheel odometry, WO)는 휠 인코더(260)가 획득한 휠 회전과 방향, 속도 정보 등에 기반하여 산출된 정보이다.
비주얼 오도메트리(visual odometry, VO)는 카메라 센서(230)가 획득한 비주얼 데이터를 이용하여 산출된 정보이다. 라이다 오도메트리(LiDAR odometry, LO)는 라이다 센서(220)가 획득한 라이다 데이터(라이다 스캔 데이터)를 이용하여 산출된 정보이다.
로봇이 이들 WO, VO, LO를 처리하는데 있어서, 각각의 센서들이 데이터를 획득하고 처리하는 시간은 각 센서들(220, 230, 260)의 종류 및 센서들이 생성한 데이터의 특성에 따라 상이할 수 있다.
따라서 이들이 동기화되어 일치하는 시점에서의 정보를 획득할 경우, 최적화된 위치 추정이 가능하다. 따라서 이들을 동기화시키기 위해서 WO, LO, VO의 주파수 차이를 반영하여 오도메트리 정보를 획득한다. 또한, 동기화가 되지 않는 구간 동안 제어부(250)는 이전의 최적화된 포즈(pose)와 WO를 결합히여 현재의 위치를 도출할 수 있다.
제어부(250)는 각 센서의 알고리즘 처리 속도에 종속(dependency)되지 않도록 SLAM을 수행할 수 있다. 제어부(250)는 멀티 센서를 이용함에 있어서 센서들의 데이터 획득 시간이나 데이터 처리 시간을 반영하여 센서를 제어하여, 위치 추정의 정확도를 높일 수 있다.
로봇(1)이 SLAM을 수행할 경우 두 가지 단계로 이루어진다. 먼저 프론트엔드(front-end) 단계에서 로봇(1)은 센서 정보를 취득하여 취득한 정보를 바탕으로 SLAM에 필요한 정보(예를 들어 이미지 특징(image feature 등))를 생성한다. 다음으로 백엔드(back-end) 단계에서 로봇(1)은 프론트엔드 단계에서 획득한 정보를 모아서 최적화된 맵을 만들고 로봇의 위치를 추정한다.
여기서 프론트엔드 단계에서 어떤 센서를 사용하느냐에 따라, 즉 센서의 종류나 해상도(resolution)에 프론트엔드 단계의 수행 시간이 매우 다를 수 있다. 예를 들어, 로봇(1)이 3D-라이다 센서를 이용하는 경우 프론트엔드 단계를 수행하는데 많은 시간이 소요된다. 반면, 로봇(1)이 2D-라이다 센서를 이용할 경우 프론트엔드 단계를 수행하는데 작은 시간이 소요된다. 카메라 센서(230)는 3D-라이다 센서와 2D-라이다 센서의 중간 정도의 시간이 소요될 수 있다.
로봇(1)은 다종의 센서들을 동기화시키는 과정에서 이들 프론트엔드 단계의 수행 시간의 길고 짧은 특성을 이용하여 각 센서들이 프론트엔드 단계를 수행하는 시점을 조절할 수 있다.
즉, 로봇(1)은 멀티 센서 기반의 퓨전 SLAM을 구현하기 위해 각 센서들이 프론트엔드 단계를 수행하는 시간이 센서들 마다 각각 다른 것을 반영한다. 그 결과 제어부(250)는 각 센서들의 프론트엔드 단계의 수행시점을 조절하거나 프론트엔드 단계의 종료 시점을 일치시킬 수 있다.
또한, 제어부(250)는 백엔드단계를 수행하는 동안 로봇(1)의 포즈(pose)가 업데이트가 되지 못하는 것을 반영하여 로봇의 위치를 추정할 수 있다. 예를 들어 백엔드 단계에서 발생한 로봇(1)의 이동을 휠 오도메트리 정보에서 확인하고 위치 추정시 적용할 수 있다.
이하, 센서들의 데이터 획득과 처리의 시간적 특징을 반영하여 센서들의 동기화를 수행하는 세부 과정을 살펴본다.
도 5는 본 발명의 일 실시예에 의한 라이다 센서와 카메라 센서 간의 동기화를 수행하는 과정을 보여준다.
도 5는 라이다 센서(220)가 카메라 센서(230) 보다 데이터 획득 또는 처리 시간이 작은 경우에 적용 가능한다. 도 5는 LO에 소요되는 시간이 VO에 소요되는 시간 보다 짧은 경우에 적용할 수 있다. 도 5의 라이다 센서(220)는 2D 라이다 센서인 것을 일 실시예로 한다.
도 5에서 제어부(250)는 비주얼 오도메트리를 수행하는 모듈, 비주얼-라이다 그래프 최적화(Visual-LiDAR graph optimization)을 수행하는 모듈, 휠 오도메트리를 수행하는 모듈, 라이다 오도메트리를 수행하는 모듈로 나눌 수 있다. 이들 모듈은 제어부(250)를 구성하는 소프트웨어나 하드웨어로 구성된 모듈일 수 있다. 또는 이들 모듈은 제어부(250)를 소프트웨어 내의 함수를 일 실시예로 한다.
도 5에서 <<1>> 및 <<3>>은 휠 인코더(260)가 획득한 휠 오도메트리 정보의 데이터 플로우를 지시한다. <<1>>은 휠 오도메트리 정보가 라이다 오도메트리에 적용되는 예시이고, <<3>>은 휠 오도메트리 정보가 비주얼 오도메트리에 적용되는 예시이다.
<<2>>는 라이다 센서(220)가 획득한 데이터, 즉 라이다 스캔 데이터를 의미한다. 제어부(250)는 라이다 스캔 데이터는 도 4의 라이다 프레임 또는 라이다 키프레임과 비교할 수 있다.
<<5>>는 카메라 센서(230)가 획득한 데이터, 즉 하나 이상의 이미지 데이터(또는 비주얼 프레임)을 의미한다. 제어부(250)는 이미지 데이터는 도 4의 비주얼 키프레임 또는 비주얼 피쳐노드와 비교할 수 있다.
[4a]는 제어부(250)의 비주얼-라이다 그래프 최적화를 수행하는 모듈이 VO를 수행하는 모듈에게 이미지를 촬영할 것을 요청하는 메시지이다.
[8a]은 제어부(250)의 비주얼-라이다 그래프 최적화를 수행하는 모듈이 LO를 수행하는 모듈에게 라이다 스캔 데이터를 이용하여 점증적-루프 제약 정보(incremental and loop constraints)을 생성할 것을 요청하는 메시지이다.
{6}은 <<5>>에서 카메라 센서(230)가 제공하는 이미지들을 이용하여 VO 모듈이 비주얼 3D 포인트 추정(Visual 3D point estimation)을 수행하고, 점증적-루프 제약 정보(incremental and loop constraints)을 생성하는 과정이다.
{9}는 라이다 센서(220)가 <<2>>에서 제공한 스캔 데이터를 이용하여 LO 모듈이 라이다의 점증적 제약 정보(incremental constraints)를 생성하는 과정이다.
{10}은 라이다 센서(220)가 <<2>>에서 제공한 스캔 데이터 및 WO 모듈이 제공하는 휠 오도메트리 정보를 이용하여 LO 모듈이 라이다의 점증적-루프 제약 정보(incremental and loop constraints)를 생성하는 과정이다.
<7>은 VO 모듈이 {6}의 과정에서 생성한 비주얼 점증적 제약 정보와 3D 포인트(visual incremental constraints and 3D points)가 비주얼 라이다 그래프 최적화 모듈로 전달되는 과정이다.
<11>은 LO 모듈이 {10}의 과정에서 생성한 라이다 점증적-루프 제약 정보(LiDAR incremental and loop constraints)가 비주얼 라이다 그래프 최적화 모듈로 전달되는 과정이다.
{12}는 비주얼-라이다 그래프 최적화 최적화 모듈이 <7> 및 <11>에서 제공된 정보에 기반하여 위치추정을 수행하는 과정이다. {12}는 비주얼-라이다 백엔드 최적화(Visual-LiDAR back-end optimization)의 실시예이다.
도 5에 도시된 바와 같이, 라이다 센서(220)의 라이다 스캔 데이터가 획득되고 그에 따라 LO 모듈이 {10}의 과정을 완료하는 시점에서 VO 모듈이 {6} 프로세스를 시작하는 프로세스이다. 이를 위해 제어부(250)는 t라는 시점(time t)에 카메라 센서(230)에게 이미지의 획득을 지시한다.
도 5의 과정에서 라이다 센서(220)와 카메라 센서(230)는 최대한 동기화되므로 SLAM 수행시 정확도를 높일 수 있다.
도 5에서 WO 모듈은 휠 인코더(260) 방식의 오도메트리 연산을 수행할 수 있으며, WO 모듈은 휠의 회전수나 방향과 같은 정보를 하드웨어 레벨에서 즉시 측정할 수 있다. 측정한 값에 기반하여 로봇(1)의 이동 거리나 방향을 산출하는 것은 매우 짧은 연산 시간을 필요로 한다. 따라서, WO 모듈이 휠 오도메트리를 수행하여 맵을 생성하거나 로봇의 위치를 추정하는데 소요되는 시간은 매우 짧다.
한편 VO 모듈과 LO 모듈은 센서의 특성에 따라 연산 시간이 달라질 수 있다. 도 5는 LO 모듈의 수행 시간이 VO 모듈의 수행 시간보다 짧으므로 제어부(250)는 LO 모듈의 처리가 끝나면 VO 모듈이 동작하도록 제어한다. 또는 제어부(250)는 LO 모듈의 처리가 끝나기 전 특정 시점에 VO 모듈이 동작하도록 제어하여 두 모듈 간의 차이를 줄일 수 있다.
만약 VO 모듈의 수행 시간이 LO 모듈의 수행 시간보다 짧은 경우 제어부(250)는 VO 모듈의 처리가 끝나면 LO 모듈이 동작하도록 제어한다. 또는 제어부(250)는 VO 모듈의 처리가 끝나기 전 특정 시점에 LO 모듈이 동작하도록 제어하여 두 모듈 간의 차이를 줄일 수 있다.
도 5의 프로세스를 정리하면 다음과 같다. 라이다 센서(220)가 주기적으로 라이다 프레임을 생성한다. 그리고 제어부(250)는 t 시점(time t)에 도달하기 전에 라이다 프레임이 생성되면(<<2>>), t 시점에서 생성된 라이다 프레임을 이용하여 라이다 오도메트리 정보를 생성한다([8a], {10}).
제어부(250)는 t 시점(time t)에서 카메라 센서(230)에게 비주얼 프레임의 생성을 지시한다([4a]). 그리고 제어부(250)는 카메라 센서(230)가 생성한 비주얼 프레임을 이용하여 비주얼 오도메트리 정보를 생성한다({6}).
제어부(250)는 라이다 오도메트리 정보 및 비주얼 오도메트리 정보를 이용하여 맵을 생성하거나 또는 저장된 맵과 비교하여 상기 로봇의 위치를 추정한다({12a}).
앞서 도 4에 제시된 포즈 그래프에 적용할 경우, 제어부(250)는 포즈 그래프의 프레임 노드에 등록된 라이다 프레임과 라이다 센서(220)가 주행 과정에서 획득한 제1라이다 프레임을 비교하여 라이다 오도메트리 정보를 생성한다.
그리고 제어부(250)는 포즈 그래프의 프레임 노드에 등록된 비주얼 프레임과 카메라센서(230)가 주행 과정에서 획득한 제1비주얼 프레임을 비교하여 비주얼 오도메트리 정보를 생성한다.
이때, 제어부(250)는 라이다 오도메트리 정보를 먼저 생성하였으므로, 비주얼 오도메트리 정보의 생성시 라이다 오도메트리 정보를 이용할 수 있다.
예를 들어, 제어부(250)는 제1비주얼 프레임에 대응하는 위치를 확인하기 위해 맵 저장부(210)에 저장된 비주얼 프레임을 검색한다. 그리고 검색 결과 제어부(250)는 로봇의 후보 위치를 하나 이상 검색하여 포즈 그래프에서 확인할 수 있다.
이때, 라이다 오도메트리 정보를 먼저 생성하였으므로, 제어부(250)는 비주얼 프레임에 기반한 후보 위치를 선택하기 위해, 라이다 오도메트리 정보를 이용하여 로봇의 후보 위치 중 어느 하나를 선택하여 포즈 그래프에서 확인할 수 있다.
도 6은 본 발명의 다른 실시예에 의한 라이다 센서와 카메라 센서 간의 동기화를 수행하는 과정을 보여준다.
도 6은 카메라 센서(230)가 라이다 센서(220) 보다 데이터 획득 또는 처리 시간이 작은 경우에 적용 가능한다. 도 6는 VO에 소요되는 시간이 LO에 소요되는 시간 보다 짧은 경우에 적용할 수 있다. 도 6의 라이다 센서(220)는 3D 라이다 센서인 것을 일 실시예로 한다.
앞서 도 5에서 살펴본 내용과 중복되는 부분들은 설명을 생략한다. 도 5에서 라이다 센서(220)가 반복적으로 스캔 데이터를 생성한 것과 달리, 도 6은 카메라 센서(230)가 반복적으로 이미지를 촬영한다.
[4b]은 제어부(250)의 비주얼-라이다 그래프 최적화를 수행하는 모듈이 VO를 수행하는 모듈에게 이미지 데이터를 이용하여 점증적-루프 제약 정보(incremental and loop constraints)을 생성할 것을 요청하는 메시지이다.
[8b]는 제어부(250)의 비주얼-라이다 그래프 최적화를 수행하는 모듈이 LO를 수행하는 모듈에게 스캔 데이터를 획득할 것을 요청하는 메시지이다.
도 6에 도시된 바와 같이, 카메라 센서(230)의 이미지 데이터가 획득되고 그에 따라 VO 모듈이 {6}의 과정을 완료하는 시점에서 LO 모듈이 {10} 프로세스를 시작하는 프로세스이다. 이를 위해 제어부(250)는 t라는 시점(time t)에 라이다 센서(220)에게 라이다 스캔 데이터의 획득을 지시한다.
도 6의 프로세스를 정리하면 다음과 같다. 카메라 센서(230)가 주기적으로 비주얼 프레임을 생성한다. 그리고 제어부(250)는 t 시점(time t)에 도달하기 전에 비주얼 프레임이 생성되면(<<5>>), t 시점에서 생성된 비주얼 프레임을 이용하여 비주얼 오도메트리 정보를 생성한다([4b], {6}).
제어부(250)는 t 시점(time t)에서 라이다 센서(220)에게 라이다 프레임의 생성을 지시한다([8b]). 그리고 제어부(250)는 라이다 센서(220)가 생성한 라이다 프레임을 이용하여 라이다 오도메트리 정보를 생성한다({10}).
제어부(250)는 비주얼 오도메트리 정보 및 라이다 오도메트리 정보를 이용하여 맵을 생성하거나 또는 저장된 맵과 비교하여 상기 로봇의 위치를 추정한다({12b}).
앞서 도 4에 제시된 포즈 그래프에 적용할 경우, 제어부(250)는 포즈 그래프의 프레임 노드에 등록된 비주얼 프레임과 카메라센서(230)가 주행 과정에서 획득한 제1비주얼 프레임을 비교하여 비주얼 오도메트리 정보를 생성한다.
그리고, 제어부(250)는 포즈 그래프의 프레임 노드에 등록된 라이다 프레임과 라이다 센서(220)가 주행 과정에서 획득한 제1라이다 프레임을 비교하여 라이다 오도메트리 정보를 생성한다.
이때, 제어부(250)는 비주얼 오도메트리 정보를 먼저 생성하였으므로, 라이다 오도메트리 정보의 생성시 비주얼 오도메트리 정보를 이용할 수 있다.
예를 들어, 제어부(250)는 제1라이다 프레임에 대응하는 위치를 확인하기 위해 맵 저장부(210)에 저장된 라이다 프레임을 검색한다. 그리고 검색 결과 제어부(250)는 로봇의 후보 위치를 하나 이상 검색하여 포즈 그래프에서 확인할 수 있다.
이때, 비주얼 오도메트리 정보를 먼저 생성하였으므로, 제어부(250)는 라이다 프레임에 기반한 후보 위치를 선택하기 위해, 비주얼 오도메트리 정보를 이용하여 로봇의 후보 위치 중 어느 하나를 선택하여 포즈 그래프에서 확인할 수 있다.
도 5 및 도 6에서 각각의 LO 모듈 및 VO 모듈은 휠 인코더가 생성한 휠 오도메크리 정보를 이용하여 라이다 오도메트리 정보와 비주얼 오도메트리 정보를 생성할 수 있다.
도 7은 본 발명의 일 실시예에 의한 두 종류의 센서를 동기화시키는 과정을 보여준다. 도 7의 프로세스는 도 5 및 도 6의 실시예에 적용할 수 있다. 두 종류의 센서를 포함한 로봇으로, 제1센서는 로봇이 SLAM을 수행하는데 필요한 제1타입의 정보를 획득한다. 제2센서는 로봇이 SLAM을 수행하는데 필요한 제2타입의 정보를 획득한다. 제1센서가 제2센서 보다 정보를 획득하거나 오도메트리 정보를 생성하는데 있어 신속한 경우를 가정한다.
예를 들어 도 5의 실시예와 같이 제1센서가 2차원의 라이다 센서인 경우, 제2센서는 카메라 센서가 될 수 있다. 또는, 도 6의 실시예와 같이 제1센서가 카메라 센서인 경우, 제2센서는 3차원의 라이다 센서가 될 수 있다.
제어부(250)는 (t-1) 시점(time t-1) 부터 t 시점(time t) 사이에 제1센서가 획득한 데이터를 보유한 상태이다. 예를 들어 도 5의 실시예에서는 제1센서가 라이다 센서(220)이며, 라이다 센서(220)가 라이다 스캔을 수행하여 라이다 프레임을 보유한 상태이다. 도 6의 실시예에서는 제1센서가 카메라 센서(230)이며, 카메라 센서(230)가 이미지 캡쳐를 수행하여 비주얼 프레임을 보유한 상태이다.
그리고 제어부(250)는 t 시점의 근처에서 제1센서가 데이터를 획득하였음을 확인하고(S41), t 시점에 제2센서에게 데이터 획득을 지시한다(S42). 제2센서는 데이터를 획득한 후 이를 제2센서에 대응하는 오도메트리 모듈에게 전달한다.
한편, t 시점에서 제어부(250)는 제1센서에 대응하는 오도메트리 모듈에게 맵 생성과 위치 추정에 필요한 제약조건의 생성을 요청한다(S42).
S42의 과정은 도 5 및 도 6의 t 시점(time t)에서 {12} 과정을 시작하기 직전까지의 동작을 포함한다. S43의 과정은 도 5 및 도 6의 {12} 과정을 일 실시예로 한다.
이후 제어부(250)는 제1센서에 대응하는 오도메트리 모듈이 생성한 제약 정보와 제2센서에 대응하는 오도메트리 모듈이 생성한 제약 정보를 이용하여 백엔드 단계를 수행한다(S44).
한편, 센서들이 데이터를 획득하고 이에 기반하여 LO 모듈과 VO 모듈이 제약 정보를 생성하는 과정에서 로봇이 이동할 수 있다. 제어부(250)는 프론트 엔드 단계와 백엔드 단계를 수행하는 시간동안 로봇이 이동한 경우, 이동한 위치를 실시간으로 추정한다. 이를 위해 제어부(250)는 직전에 최적화된 위치(optimized pose)와 이후에 이동하는 과정에서 누적된 휠 오도메트리 정보를 이용하여 로봇의 보정 위치를 생성할 수 있다.
즉, 제어부(250)는 제1센서가 제1타입의 정보를 획득하면 제1타입의 정보를 이용한 제1타입 오도메트리 정보를 생성한다.
일 실시예로, 라이다 센서가 제1센서인 경우 제1타입의 정보는 라이다 프레임이며 제1타입 오도메트리 정보는 라이다 오도메트리 정보이다.
일 실시예로, 카메라 센서가 제1센서인 경우 제1타입의 정보는 비주얼 프레임이며 제1타입 오도메트리 정보는 비주얼오도메트리 정보이다.
그리고, 제어부(250)는 제1타입 오도메트리 정보의 생성 시점에 제2센서를 제어하여 제2타입의 정보를 획득 후 제2타입의 정보를 이용한 제2타입 오도메트리 정보를 생성한다.
일 실시예로, 라이다 센서가 제2센서인 경우 제2타입의 정보는 라이다 프레임이며 제2타입 오도메트리 정보는 라이다 오도메트리 정보이다.
일 실시예로, 카메라 센서가 제2센서인 경우 제2타입의 정보는 비주얼 프레임이며 제2타입 오도메트리 정보는 비주얼오도메트리 정보이다.
그리고 제어부(250)는 제1타입 오도메트리 정보 및 제2타입 오도메트리 정보를 결합하여 로봇의 위치를 추정한다. 그 결과 두 센서 간의 오도메트리 정보가 동일한 위치에서 이루어지거나, 최소한의 오차만을 가지도록 동기화된다.
또한, 도 5에서 라이다 오도메트리 정보가 생성되면 이를 비주얼 오도메트리 정보의 생성에 적용하는 과정({6}, <11>)을 확인할 수 있다.
도 6에서 비주얼 오도메트리 정보가 생성되면 이를 라이다 오도메트리 정보의 생성에 적용하는 과정({10}, <7>)을 확인할 수 있다.
이와 같이, 제어부(250)는 제1센서의 제1타입 오도메트리 정보를 생성한 후, 이를 반영하여 제2타입 오도메트리 정보를 생성할 수 있다. 그 결과 제어부(250)는 제2타입 오도메트리 정보의 생성 시간을 줄일 수 있다.
제어부(250)는 이전 위치에서 일정 거리 이상 또는 일정 각도 이상 이동한 경우에 도 7의 프로세스를 수행할 수 있다. 이때, 이전 위치는 직전에 최적화하여 위치 추정이 완료된 위치를 일 실시예로 한다. 즉, 로봇(1)의 휠 인코더(260)가 로봇(1)이 이동하는 궤적을 추적하여 이전 위치에서 일정한 거리(예를 들어 0.5미터 등)이상 이동했거나, 일정 각도(예를 들어 10도) 이상 이동한 경우에 제어부(250)는 SLAM을 수행하기 위해 제1센서 및 제2센서를 제어하여 제1타입 오도메트리 정보와 상기 제2타입 오도메트리 정보를 생성할 수 있다.
즉, 도 5의 {12a} 또는 도 6의 {12b} 과정에서 제어부(250)는 제1타입 오도메트리 정보와 제2타입 오도메트리 정보를 결합하여 맵을 생성하고 상기 로봇의 위치를 추정하는 백엔드 단계를 수행할 수 있다.
도 8은 본 발명의 일 실시예에 의한 로봇이 SLAM 과정에서 위치 보정을 수행하는 과정을 보여준다.
도 5 또는 도 6을 중심으로 살펴본다. SLAM의 연산 결과가 출력되는 시점은 t-1, t+1 시점이며, t-1 시점에서 t+1 사이에는 위치 값이 보정되지 않을 가능성이 있다. 따라서, 제어부(250)는 위치 값을 보정하기 위해 CT(correcting transform)를 산출할 수 있다.
제어부(250)는 위치(pose)가 아닌 변환(transform)의 형태로 위치 보정 결과를 산출한다.
도 8에 제시된 과정을 살펴보면, 제어부(250)는 이전 시점(t)의 제1휠 오도메트리 정보(Pod(t))와 제1위치 정보(Pc(t))를 이용하여 제1위치 보정 매트릭스(Tc(t))를 생성한다(S51).
수학식 1 및 수학식 2에 제시된 바와 같이, 제어부(250)는 오도메트리 위치(Pod(t))를 보정된 위치(corrected pose)인 Pc(t)로 변환하는 Tc(t)를 산출한다. Tc(t)는 오도메트리 위치를 보정된 위치로 변환하는 매트릭스(correcting transform matrix)이며 이 매트릭스와 오도메트리 위치(Pod(t))를 입력받는 함수
Figure 112019092746271-pct00001
는 보정된 위치인 Pc(t)를 산출한다.
수학식 2과 같이 산출되는 Tc(t)는
Figure 112019092746271-pct00002
의 역함수(inverse composition)인
Figure 112019092746271-pct00003
에 보정된 위치, 즉, 제1위치 정보(Pc(t))와 제1 휠 오도메트리 위치(Pod(t))를 적용하여 산출된 결과이다.
그리고, 제어부(250)는 제1위치 정보(Pc(t))와 현재 시점의 제2휠 오도메트리 정보(Pod(t+1))를 이용하여 제1위치 보정 매트릭스(Tc(t))를 제2위치 보정 매트릭스(Tc(t+1))로 변환한다(S52). 보다 상세히, 수학식 3에 제시된 바와 같이, 제어부(250)는 제1위치 정보(Pc(t))와 제1휠 오도메트리 정보를 기준으로 변화한 제2휠 오도메트리 정보(Pod(t+1))의 변화량(△Pod(t+1))을 이용하여 제2위치 보정 매트릭스(Tc(t+1))를 생성한다.
그리고 제어부(250)는 수학식 4와 같이 제2위치 보정 매트릭스(Tc(t+1))와 제2휠 오도메트리 정보(Pod(t+1))의 변화량(△Pod(t+1))을 이용하여 제2위치 정보(Pc(t+1))를 생성한다(S53).
예를 들어, 수학식 3과 같이 t+1 시점에서의 보정 변환(correcting transform)인 Tc(t+1)은 이전 시점 t에서의 위치를 이용하여 산출된다.
즉, 제어부(250)는 보정된 위치(Pc)를 휠 오도메트리 기준으로 역 트랜스폼(inverse transform) 하여 매트릭스 형태로 Tc(t)를 계산한다.
제어부(250)가 로봇의 위치를 출력할 때에는 휠 오도메트리(wheel odometry)와 보정 변환 매트릭스(correcting transform matrix)를 적용하여 보정된 위치를 산출한다. 그 결과 제어부(250)는 어느 시점에서도 정확한 로봇의 위치를 추정할 수 있다.
[수학식 1]
Figure 112019092746271-pct00004
[수학식 2]
Figure 112019092746271-pct00005
[수학식 3]
Figure 112019092746271-pct00006
[수학식 4]
Figure 112019092746271-pct00007
전술한 실시예들을 적용할 경우, 로봇(1)이 다양한 종류의, 여러 개의 센서를 이용하여 SLAM을 수행할 때 필수적으로 발생하는 센서들 간의 동기화(synchronization) 문제를 해결할 수 있다.
특히, 전술한 실시예를 적용할 경우, 각 센서의 데이터 획득 및 처리 속도 등에서 발생하는 알고리즘 처리 속도나 하드웨어 동작에 따른 속도 차이를 반영하여 동기화 문제를 해결할 수 있다.
한편, 로봇(1)은 SLAM을 수행하는 과정에서 위치 추정의 정확도가 높은 영역 또는 낮은 영역에서 각각의 센서가 정보를 획득하고 이를 저장할 수 있다. 그리고 저장된 정보들을 인공지능 모듈을 이용하여 학습하여 반복적으로 위치 추정의 정확도가 낮은 영역이나 높은 영역의 획득 정보를 포즈 그래프에 반영할 수 있다.
이를 위해, 제어부(250)의 인공지능부(255)는 일종의 러닝 프로세서(learning processor)이며, 로봇(1)이 누적하여 저장된 위치 정보 및 센서가 획득한 정보, 그리고 위치 추정의 정확도에 대한 수치값을 처리하여 포즈 그래프를 업데이트할 수 있다.
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
로봇(1)은 도 2에서 살펴보았던 인공지능부(255)가 인공지능 기능을 수행할 수 있다.
이 경우, 로봇(1)의 통신부(280)는 유무선 통신 기술을 이용하여 다른 AI 기능을 제공하는 로봇이나 또는 도 9에서 살펴볼 AI 서버(300) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(280)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(280)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(BluetoothTM), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
인터페이스부(290)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 인터페이스부(290)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 라이다 센서(220), 카메라 센서(230) 또는 마이크로폰이 획득한 정보들은 센싱 데이터 또는 센서 정보등 지칭한다.
인터페이스부(290) 및 각종 센서들(220, 230)과 휠 인코더(260) 등은 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 전술한 구성요소들은 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 제어부(250) 또는 인공지능부(255)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
인공지능부(255)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 로봇(1)이 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 인공지능부(255)는 AI 서버(300)의 러닝 프로세서(340)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 인공지능부(255)는 로봇(1)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 인공지능부(255)는 별도의 메모리 또는 로봇(1)에 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
로봇(1)은 다양한 센서들을 이용하여 로봇(1)의 내부 정보, 로봇(1)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 로봇(1)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다 센서(220), 카메라 센서(230), 레이더 등이 있다.
또한, 앞서 살펴본 인터페이스부(290)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 인터페이스부(290)는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
로봇(1)에 내장된 메모리는 로봇(1)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 로봇(1)에 내장된 각종 센서들이나 인터페이스부(290) 등이 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
제어부(250)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, 로봇(1)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(250)는 로봇(1)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 제어부(250)는 인공지능부(255) 또는 메모리의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 로봇(1)의 구성 요소들을 제어할 수 있다.
이때, 제어부(250)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
제어부(250)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 제어부(250)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 인공지능부(255)에 의해 학습된 것이나, AI 서버(300)의 러닝 프로세서(340)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
제어부(250)는 로봇(1)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리 또는 인공지능부(255)에 저장하거나, AI 서버(300) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
제어부(250)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 로봇(1)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(250)는 는 상기 응용 프로그램의 구동을 위하여, 로봇(1)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
또는 로봇(1)과 통신하는 별도의 인공지능 서버(AI server)가 배치되고 로봇(1)이 제공하는 정보를 처리할 수 있다.
도 9는 본 발명의 일 실시예에 의한 AI 서버(300)의 구성을 보여준다.
인공 지능 서버, 즉 AI 서버(300)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(300)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(300)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(300)는 통신부(310), 메모리(330), 러닝 프로세서(340) 및 프로세서(360) 등을 포함할 수 있다.
통신부(310)는 로봇(1)등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(330)는 모델 저장부(331)를 포함할 수 있다. 모델 저장부(331)는 러닝 프로세서(340)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(340)는 학습 데이터를 이용하여 인공 신경망(331a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(300)에 탑재된 상태에서 이용되거나, 로봇(1)등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(330)에 저장될 수 있다.
프로세서(360)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 10은 본 발명의 일 실시예에 의한 로봇이 SLAM 과정에서 인공지능에 기반하여 포즈 그래프를 업데이트하는 과정을 보여준다.
로봇은 SLAM을 수행하는 과정에서 위치 추정의 정확도가 높은 영역 또는 낮은 영역에 대한 정보를 획득한다. 즉, 라이다 센서(220) 또는 카메라 센서(230)가 센싱한 정보와, 이 정보를 이용하여 위치 추정을 수행한 경우의 정확도, 그리고 위치 정보를 인공지능부(255) 또는 AI 서버(300)에게 제공한다(S91).
인공지능부(255) 또는 인공지능서버(300)는 제공된 정보를 이용하여 위치 정보에 따라 각 센서가 획득한 정보의 정확도를 비교한다. 인공지능부(255) 또는 인공지능서버(300)는 정확도가 높거나 낮은 영역에서 획득된 센서 정보와 기존의 맵 저장부에 저장된 정보를 비교하여 맵 업데이트 여부를 결정한다(S92).
이후, 제어부(250)는 맵 업데이트 결정에 따라 센싱한 정보를 이용하여 맵을 업데이트한다(S93). 일 실시예로 포즈그래프에 등록된 라이다 프레임/비주얼 프레임을 업데이트할 수 있다.
도 10의 프로세스를 적용할 경우, 로봇(1)은 SLAM을 수행하는 과정에서 위치 추정의 정확도가 높은 영역 또는 낮은 영역에서 각각의 센서가 정보를 획득하고 이를 저장할 수 있다. 그리고 저장된 정보들을 인공지능 모듈을 이용하여 학습하여 반복적으로 위치 추정의 정확도가 낮은 영역이나 높은 영역의 획득 정보를 포즈 그래프에 반영할 수 있다.
로봇(1)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(1)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(1)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(1)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(1)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(1)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(1)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(1)에서 직접 학습되거나, AI 서버(300) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(1)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(300) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(1)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(1)을 주행시킬 수 있다.
맵 데이터에는 로봇(1)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(1)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(1)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니며, 본 발명의 목적 범위 내에서 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 반도체 기록소자를 포함하는 저장매체를 포함한다. 또한 본 발명의 실시예를 구현하는 컴퓨터 프로그램은 외부의 장치를 통하여 실시간으로 전송되는 프로그램 모듈을 포함한다.
이상에서는 본 발명의 실시예를 중심으로 설명하였지만, 통상의 기술자의 수준에서 다양한 변경이나 변형을 가할 수 있다. 따라서, 이러한 변경과 변형이 본 발명의 범위를 벗어나지 않는 한 본 발명의 범주 내에 포함되는 것으로 이해할 수 있을 것이다.

Claims (20)

  1. 로봇을 이동시키는 이동부;
    상기 로봇이 SLAM을 수행하는데 필요한 제1타입의 정보를 획득하는 제1센서;
    상기 로봇이 SLAM을 수행하는데 필요한 제2타입의 정보를 획득하는 제2센서;
    상기 제1센서가 상기 제1타입의 정보를 획득하면 상기 제1타입의 정보를 이용한 제1타입 오도메트리 정보를 생성하며, 상기 제1타입 오도메트리 정보의 생성 시점에 상기 제2센서를 제어하여 상기 제2타입의 정보를 획득 후 상기 제2타입의 정보를 이용한 제2타입 오도메트리 정보를 생성하며, 상기 제1타입 오도메트리 정보 및 상기 제2타입 오도메트리 정보를 결합하여 상기 로봇의 위치를 추정하는 제어부; 및
    상기 이동부를 구성하는 바퀴의 회전 또는 방향 정보를 결합하여 휠 오도메트리 정보를 생성하는 휠 인코더를 더 포함하며,
    상기 제어부는 이전 시점의 제1휠 오도메트리 정보와 제1위치 정보를 이용하여 제1위치 보정 매트릭스를 생성하고,
    상기 제어부는 상기 제1위치 정보와 현재 시점의 제2휠 오도메트리 정보를 이용하여 상기 제1위치 보정 매트릭스를 제2위치 보정 매트릭스로 변환하고,
    상기 제어부는 상기 제2위치 보정 매트릭스와 상기 제2휠 오도메트리 정보를 결합하여 제2위치 정보를 생성하는, 멀티 센서를 동기화시켜 위치를 추정하는 로봇.
  2. 로봇을 이동시키는 이동부;
    상기 로봇이 SLAM을 수행하는데 필요한 제1타입의 정보를 획득하는 제1센서;
    상기 로봇이 SLAM을 수행하는데 필요한 제2타입의 정보를 획득하는 제2센서; 및
    상기 제1센서가 상기 제1타입의 정보를 획득하면 상기 제1타입의 정보를 이용한 제1타입 오도메트리 정보를 생성하며, 상기 제1타입 오도메트리 정보의 생성 시점에 상기 제2센서를 제어하여 상기 제2타입의 정보를 획득 후 상기 제2타입의 정보를 이용한 제2타입 오도메트리 정보를 생성하며, 상기 제1타입 오도메트리 정보 및 상기 제2타입 오도메트리 정보를 결합하여 상기 로봇의 위치를 추정하는 제어부를 포함하며,
    상기 제1센서 또는 상기 제2센서 중 어느 하나는 상기 로봇의 외부에 배치된 사물과 로봇 사이의 거리를 센싱하여 제1라이다 프레임을 생성하는 라이다 센서이며,
    상기 제2센서 또는 상기 제1센서 중 어느 하나는 상기 로봇의 외부에 배치된 사물을 촬영하여 제1비주얼 프레임을 생성하는 카메라 센서이며,
    상기 로봇은
    상기 제1라이다 프레임과 비교 가능한 다수의 라이다 프레임들을 포함하는 라이다 브랜치를 저장하고, 상기 제1비주얼 프레임과 비교 가능한 다수의 비주얼 프레임들을 포함하는 비주얼 브랜치를 저장하며, 상기 저장된 라이다 프레임 또는 상기 저장된 비주얼 프레임 중 어느 하나 이상과 등록된 프레임 노드를 둘 이상 포함하는 백본으로 구성된 포즈 그래프를 저장하며, 상기 프레임 노드 사이의 오도메트리 정보를 저장하는 맵 저장부를 더 포함하는, 멀티 센서를 동기화시켜 위치를 추정하는 로봇.
  3. 제1항 또는 제2항 중 어느 한 항에 있어서,
    상기 제1센서가 2차원의 라이다 센서인 경우, 상기 제2센서는 카메라 센서이며,
    상기 제1센서가 카메라 센서인 경우, 상기 제2센서는 3차원의 라이다 센서인, 멀티 센서를 동기화시켜 위치를 추정하는 로봇.
  4. 제2항에 있어서,
    상기 이동부를 구성하는 바퀴의 회전 또는 방향 정보를 결합하여 휠 오도메트리 정보를 생성하는 휠 인코더를 더 포함하며,
    상기 제어부는 상기 휠 인코더가 생성한 휠 오도메트리 정보를 이용하여 상기 제1타입 오도메트리 정보 및 상기 제2타입 오도메트리 정보를 생성하는, 멀티 센서를 동기화시켜 위치를 추정하는 로봇
  5. 제1항 또는 제2항 중 어느 한 항에 있어서,
    상기 제어부는 상기 제1타입 오도메트리 정보를 생성한 후, 상기 제1타입 오도메트리 정보를 반영하여 상기 제2타입 오도메트리 정보를 생성하는, 멀티 센서를 동기화시켜 위치를 추정하는 로봇.
  6. 제1항 또는 제2항 중 어느 한 항에 있어서,
    상기 제어부는 상기 로봇이 일정 거리 이상 또는 일정 각도 이상 이동한 경우 상기 제1센서 및 상기 제2센서를 제어하여 상기 제1타입 오도메트리 정보와 상기 제2타입 오도메트리 정보를 생성하는, 멀티 센서를 동기화시켜 위치를 추정하는 로봇.
  7. 제1항 또는 제2항 중 어느 한 항에 있어서,
    상기 제1센서가 2차원의 라이다 센서이고 상기 제2센서는 카메라 센서이며,
    상기 2차원의 라이다 센서가 주기적으로 라이다 프레임을 생성하며,
    상기 제어부는 t 시점에 도달하기 전에 상기 라이다 프레임이 생성되면, 상기 t 시점에서 상기 생성된 라이다 프레임을 이용하여 라이다 오도메트리 정보를 생성하고,
    상기 제어부는 상기 t 시점에서 상기 카메라 센서에게 비주얼 프레임의 생성을 지시하며,
    상기 제어부는 상기 카메라 센서가 생성한 비주얼 프레임을 이용하여 비주얼 오도메트리 정보를 생성하며,
    상기 제어부는 상기 라이다 오도메트리 정보 및 상기 비주얼 오도메트리 정보를 이용하여 맵을 생성하거나 또는 저장된 맵과 비교하여 상기 로봇의 위치를 추정하는, 멀티 센서를 동기화시켜 위치를 추정하는 로봇.
  8. 제1항 또는 제2항 중 어느 한 항에 있어서,
    상기 제1센서가 카메라 센서 센서이고 상기 제2센서는 3차원의 라이다 센서이며,
    상기 카메라 센서가 주기적으로 비주얼 프레임을 생성하며,
    상기 제어부는 t 시점에 도달하기 전에 상기 비주얼 프레임이 생성되면, 상기 t 시점에서 상기 생성된 비주얼 프레임을 이용하여 비주얼 오도메트리 정보를 생성하고,
    상기 제어부는 상기 t 시점에서 상기 라이다 센서에게 라이다 프레임의 생성을 지시하며,
    상기 제어부는 상기 라이다 센서가 생성한 라이다 프레임을 이용하여 라이다 오도메트리 정보를 생성하며,
    상기 제어부는 상기 비주얼 오도메트리 정보 및 상기 라이다 오도메트리 정보를 이용하여 맵을 생성하거나 또는 저장된 맵과 비교하여 상기 로봇의 위치를 추정하는, 멀티 센서를 동기화시켜 위치를 추정하는 로봇.
  9. 제1항 또는 제2항 중 어느 한 항에 있어서,
    상기 제어부는 상기 제1타입 오도메트리 정보와 상기 제2타입 오도메트리 정보를 결합하여 맵을 생성하고 상기 로봇의 위치를 추정하는 백엔드 단계를 수행하는, 멀티 센서를 동기화시켜 위치를 추정하는 로봇.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
  20. 삭제
KR1020197026555A 2019-05-30 2019-05-30 멀티 센서를 동기화시켜 위치를 추정하는 방법 및 이를 구현하는 로봇 KR102615685B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/006535 WO2020241934A1 (ko) 2019-05-30 2019-05-30 멀티 센서를 동기화시켜 위치를 추정하는 방법 및 이를 구현하는 로봇

Publications (2)

Publication Number Publication Date
KR20220002758A KR20220002758A (ko) 2022-01-07
KR102615685B1 true KR102615685B1 (ko) 2023-12-18

Family

ID=73552337

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197026555A KR102615685B1 (ko) 2019-05-30 2019-05-30 멀티 센서를 동기화시켜 위치를 추정하는 방법 및 이를 구현하는 로봇

Country Status (3)

Country Link
US (1) US11579626B2 (ko)
KR (1) KR102615685B1 (ko)
WO (1) WO2020241934A1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11960297B2 (en) * 2019-05-03 2024-04-16 Lg Electronics Inc. Robot generating map based on multi sensors and artificial intelligence and moving based on map
CN111561923B (zh) * 2020-05-19 2022-04-15 北京数字绿土科技股份有限公司 基于多传感器融合的slam制图方法、系统
KR102654852B1 (ko) * 2021-11-11 2024-04-05 한국과학기술원 이동 로봇 및 이의 위치 추정 방법
US20230211808A1 (en) * 2021-12-30 2023-07-06 Gm Cruise Holdings Llc Radar-based data filtering for visual and lidar odometry
CN114563000B (zh) * 2022-02-23 2024-05-07 南京理工大学 一种基于改进型激光雷达里程计的室内外slam方法
WO2024045069A1 (en) * 2022-08-31 2024-03-07 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Flexible lidar camera synchronization for driverless vehicle
KR20240073270A (ko) * 2022-11-17 2024-05-27 재단법인대구경북과학기술원 로봇 및 로봇의 위치 추정방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180204338A1 (en) * 2017-01-13 2018-07-19 Otsaw Digital Pte. Ltd. Three-dimensional mapping of an environment

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101739996B1 (ko) * 2010-11-03 2017-05-25 삼성전자주식회사 이동 로봇 및 이동 로봇의 위치 인식 및 지도 작성 방법
US10173324B2 (en) * 2015-11-16 2019-01-08 Abb Schweiz Ag Facilitating robot positioning
US10989542B2 (en) * 2016-03-11 2021-04-27 Kaarta, Inc. Aligning measured signal data with slam localization data and uses thereof
US10962647B2 (en) 2016-11-30 2021-03-30 Yujin Robot Co., Ltd. Lidar apparatus based on time of flight and moving object
KR102172602B1 (ko) * 2017-10-23 2020-11-02 주식회사 유진로봇 라이다를 이용한 위치 인식 및 지도 작성에 관한 방법 및 장치
KR101956447B1 (ko) * 2017-04-20 2019-03-12 한국과학기술원 그래프 구조 기반의 무인체 위치 추정 장치 및 그 방법
KR101937594B1 (ko) * 2017-04-21 2019-01-11 한국과학기술원 2차원 레이저 스캐너를 이용한 계층적 구조 기반의 맵 제작 방법 및 장치
US10921816B2 (en) 2017-04-21 2021-02-16 Korea Advanced Institute Of Science And Technology Method and apparatus for producing map based on hierarchical structure using 2D laser scanner
JP2019053391A (ja) * 2017-09-13 2019-04-04 日本電産シンポ株式会社 移動体
US10582137B1 (en) * 2018-09-26 2020-03-03 Zoox, Inc. Multi-sensor data capture synchronizaiton
WO2020140164A1 (en) * 2019-01-03 2020-07-09 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for updating a high-definition map

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180204338A1 (en) * 2017-01-13 2018-07-19 Otsaw Digital Pte. Ltd. Three-dimensional mapping of an environment

Also Published As

Publication number Publication date
KR20220002758A (ko) 2022-01-07
US11579626B2 (en) 2023-02-14
WO2020241934A1 (ko) 2020-12-03
US20210405649A1 (en) 2021-12-30

Similar Documents

Publication Publication Date Title
KR102615685B1 (ko) 멀티 센서를 동기화시켜 위치를 추정하는 방법 및 이를 구현하는 로봇
KR102220564B1 (ko) 멀티 센서를 이용하여 위치를 추정하는 방법 및 이를구현하는 로봇
US11347237B2 (en) Method of performing cloud slam in real time, and robot and cloud server for implementing the same
US11673269B2 (en) Method of identifying dynamic obstacle and robot implementing same
US11565415B2 (en) Method of tracking user position using crowd robot, tag device, and robot implementing thereof
US11397871B2 (en) Artificial intelligence moving agent
US11688081B2 (en) Method of performing simultaneous localization and mapping with respect to a salient object in an image
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
KR102246236B1 (ko) 퓨전 슬램에서 맵을 업데이트하는 방법 및 이를 구현하는 로봇
KR102623574B1 (ko) 전자 장치 및 그 동작 방법
US20210405646A1 (en) Marker, method of moving in marker following mode, and cart-robot implementing method
KR20190098734A (ko) 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법
US11513532B2 (en) Method of moving in power assist mode reflecting physical characteristics of user and robot implementing thereof
KR102293317B1 (ko) 특정 지역의 맵을 작성하는 방법과, 이를 구현하는 로봇 및 전자기기
US11467598B2 (en) Method of estimating position in local area of large space and robot and cloud server implementing thereof
KR20200140628A (ko) 외부 영상에 기반한 로봇의 주행 방법과, 이를 구현하는 로봇 및 서버
EP3753688A1 (en) Mobile robot device and method for providing service to user
US11537137B2 (en) Marker for space recognition, method of moving and lining up robot based on space recognition and robot of implementing thereof
KR20210155833A (ko) 다중 센서 및 인공지능에 기반하여 맵을 생성하고 노드들의 상관 관계를 설정하며 맵을 이용하여 주행하는 로봇 및 맵을 생성하는 방법
KR20210079610A (ko) 인공 지능 청소 로봇 및 방법
KR20190094130A (ko) 사용자 인식 기반의 유모차 로봇 및 그 제어 방법
US11635759B2 (en) Method of moving robot in administrator mode and robot of implementing method
KR20190098930A (ko) 사용자에게 음식을 제공하는 방법 및 그 장치
CN118189961A (zh) 一种基于分层语义地图的目标导航方法及系统

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