KR102651998B1 - 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법, 장치 및 시스템 - Google Patents
물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102651998B1 KR102651998B1 KR1020230168040A KR20230168040A KR102651998B1 KR 102651998 B1 KR102651998 B1 KR 102651998B1 KR 1020230168040 A KR1020230168040 A KR 1020230168040A KR 20230168040 A KR20230168040 A KR 20230168040A KR 102651998 B1 KR102651998 B1 KR 102651998B1
- Authority
- KR
- South Korea
- Prior art keywords
- unmanned forklift
- pallet
- server
- height
- controlling
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 description 25
- 238000012549 training Methods 0.000 description 20
- 230000015654 memory Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000011068 loading method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66F—HOISTING, LIFTING, HAULING OR PUSHING, NOT OTHERWISE PROVIDED FOR, e.g. DEVICES WHICH APPLY A LIFTING OR PUSHING FORCE DIRECTLY TO THE SURFACE OF A LOAD
- B66F9/00—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes
- B66F9/06—Devices for lifting or lowering bulky or heavy goods for loading or unloading purposes movable, with their loads, on wheels or the like, e.g. fork-lift trucks
- B66F9/063—Automatically guided
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66F—HOISTING, LIFTING, HAULING OR PUSHING, NOT OTHERWISE PROVIDED FOR, e.g. DEVICES WHICH APPLY A LIFTING OR PUSHING FORCE DIRECTLY TO THE SURFACE OF A LOAD
- B66F17/00—Safety devices, e.g. for limiting or indicating lifting force
- B66F17/003—Safety devices, e.g. for limiting or indicating lifting force for fork-lift trucks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2200/00—Type of vehicle
- B60Y2200/10—Road Vehicles
- B60Y2200/15—Fork lift trucks, Industrial trucks
Landscapes
- Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Mechanical Engineering (AREA)
- Remote Sensing (AREA)
- Human Resources & Organizations (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Development Economics (AREA)
- Civil Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Radar, Positioning & Navigation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Forklifts And Lifting Vehicles (AREA)
Abstract
물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법, 장치 및 시스템이 개시된다. 본 발명의 실시예에 따른 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템은, 물류 관리 시스템으로 팔레트 정보를 수신하고, 팔레트 정보를 이용하여 제1 팔레트가 위치한 장소로 무인 지게차를 이동하도록 제어하며, 무인 지게차가 포함하는 다수의 라이다 센서로부터 센싱 신호를 수신하고, 센싱 신호를 이용하여 무인 지게차의 위치 인식을 수행하며, 무인 지게차의 위치 인식 결과를 이용하여 제1 팔레트를 무인 지게차에 적재(積載)하도록 제어하고, 제1 팔레트가 적재된 무인 지게차를 팔레트 정보가 포함하는 목표 위치로 이동시키며, 목표 위치에서 제1 팔레트를 무인 지게차로부터 적하(積下)하도록 제어한다.
Description
아래 실시예들은 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법, 장치 및 시스템에 관한 것이다.
실시예들과 관련된 배경기술로, 대한민국 공개특허공보 KR 10-2021-0130500 A는 전동 지게차의 페달 제어 시스템을 개시한다. 구체적으로, 선행문헌은 모터에 의해 주행 되는 전동 지게차에 설치되는 전동 지게차의 페달 제어 시스템은 상기 전동 지게차 내에 설치되는 회동 지지부, 그리고 상기 회동 지지부에 지지되며 일방향으로 회동시 상기 전동 지게차를 전진시킬 수 있고 타방향으로 회동시 상기 전동 지게차를 후진시킬 수 있는 복합 페달을 포함하는 구성을 개시한다.
이를 통해, 선행문헌은 전동 지게차의 페달 제어 시스템은 운전자가 하나의 페달을 통해 전동 지게차의 방향 전환, 속도 조절, 그리고 제동을 용이하게 조작할 수 있다.
또한, 대한민국 공개특허공보 KR 10-2023-0073804 A는 스테레오 카메라와 초음파 센서를 이용한 무인 지게차 주행 제어 장치 및 주행 방법을 개시한다. 구체적으로, 선행문헌은 무인 지게차의 전방의 객체에 대한 제1거리를 측 정할 수 있는 스테레오 카메라; 상기 무인 지게차의 전방의 객체에 대한 제2거리를 측정할 수 있는 초음파 센서; 상기 스테레오 카메라를 이용하여 상기 제 1 거리를 측정하여 출력하는 제1거리 측정부; 상기 초음파 센서를 이 용하여 상기 제 2 거리를 측정하여 출력하는 제2 거리 측정부; 상기 제1거리 및 제 2 거리와 임계치의 비교 결과 에 기초하여 상기 스테레오 카메라 및 상기 초음파 센서의 센싱 동작을 스위칭하는 센서 스위칭부; 및 상기 제1 거리 측정부 및 상기 제2거리 측정부로부터 수신한 거리값과 주행 정보에 기초하여 자율 주행을 수행하는 자율 주행 제어부를 포함하는 구성을 개시한다.
이를 통해, 선행문헌은 라이다 센서를 사용하지 않고 비용이 높지 않은 스테레오 카메라와 초음파 센서를 융합하여 무인 지게차 자율 주행 제어를 수행하는 효과가 있다
그러나 선행문헌들은 물류 관리 시스템으로 팔레트 정보를 수신하고, 팔레트 정보를 이용하여 제1 팔레트가 위치한 장소로 무인 지게차를 이동하도록 제어하며, 무인 지게차가 포함하는 다수의 라이다 센서로부터 센싱 신호를 수신하고, 센싱 신호를 이용하여 무인 지게차의 위치 인식을 수행하며, 무인 지게차의 위치 인식 결과를 이용하여 제1 팔레트를 무인 지게차에 적재(積載)하도록 제어하고, 제1 팔레트가 적재된 무인 지게차를 팔레트 정보가 포함하는 목표 위치로 이동시키며, 목표 위치에서 제1 팔레트를 무인 지게차로부터 적하(積下)하도록 제어하는 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법, 장치 및 시스템을 개시하지 않는다.
실시예들은 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법을 제공하고자 한다.
실시예들은 무인 지게차의 팔레트 적재 방법을 제공하고자 한다.
실시예들은 무인 지게차의 이동 제어 방법을 제공하고자 한다.
본 발명의 실시예에 따른 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법은, 물류 관리 시스템 서버로부터 팔레트 정보를 수신하는 단계; 상기 팔레트 정보를 이용하여 제1 팔레트의 현재 위치로 무인 지게차를 이동하도록 제어하는 단계; 상기 무인 지게차가 포함하는 다수의 라이다 센서로부터 센싱 신호를 수신하는 단계; 상기 센싱 신호를 이용하여 상기 무인 지게차의 위치 인식을 수행하는 단계; 상기 무인 지게차의 위치 인식 결과를 이용하여 상기 제1 팔레트를 상기 무인 지게차에 적재(積載)하도록 제어하는 단계; 상기 제1 팔레트가 적재된 상기 무인 지게차를 상기 팔레트 정보가 포함하는 목표 위치로 이동시키도록 제어하는 단계; 및 상기 목표 위치에서 상기 제1 팔레트를 상기 무인 지게차로부터 적하(積下)하도록 제어하는 단계를 포함할 수 있다.
일 실시예로서, 상기 제1 팔레트를 상기 무인 지게차에 적재(積載)하도록 제어하는 단계는, 상기 제1 팔레트가 상기 무인 지게차를 기준으로 제1 방향 내지 제3 방향 중 어느 방향에 위치하는지 판단하는 단계; 상기 제1 팔레트의 위치 방향에 따라서 상기 무인 지게차의 포크암의 평면 방향 위치를 조절하도록 제어하는 단계; 상기 제1 팔레트의 높이에 따라서 상기 포크암의 수직 방향 위치를 조절하도록 제어하는 단계; 상기 다수의 라이다 센서로부터 수신된 센싱 신호를 이용하여 상기 포크암과 연결된 포크와 상기 제1 팔레트간의 제1 거리를 산출하는 단계; 상기 제1 거리가 제1 범위 이상일 경우 상기 포크암을 제2 거리만큼 전진하도록 제어하는 단계; 및 상기 제1 거리가 상기 제1 범위 미만일 경우 상기 제1 팔레트를 상기 무인 지게차에 적재하도록 제어하는 단계를 포함할 수 있다.
일 실시예로서, 상기 제1 팔레트가 위치한 장소로 무인 지게차를 이동하도록 제어하는 단계는, 상기 다수의 라이다 센서를 이용하여 상기 무인 지게차의 이동 방향 전방의 3차원 모델링 영상을 생성하는 단계; 상기 3차원 모델링 영상을 이용하여 상기 무인 지게차의 현재 위치로부터 상기 제1 팔레트가 위치한 장소로 상기 무인 지게차가 이동하기 위한 최단 경로 정보를 산출하는 단계; 및 상기 최단 경로 정보를 이용하여 상기 무인 지게차를 이동하도록 제어하는 단계를 포함할 수 있다.
일 실시예로서, 상기 최단 경로 정보를 산출하는 단계는, 상기 최단 경로 정보가 포함하는 최단 경로 상에 제1 물체가 위치하는지 판단하는 단계; 상기 최단 경로 상에 상기 제1 물체가 위치하는 경우 상기 제1 물체의 높이를 산출하는 단계; 상기 제1 물체의 높이가 제1 임계값 이상인 경우 상기 제1 물체를 우회하기 위한 대체 경로 정보를 산출하는 단계; 상기 대체 경로 정보를 이용하여 상기 최단 경로 정보를 업데이트하는 단계; 상기 제1 물체의 높이가 상기 제1 임계값 미만이고, 제2 임계값 이상인 경우 상기 무인 지게차의 차체 높이를 제1 높이에서 제2 높이로 조절하는 단계; 및 상기 무인 지게차가 상기 제1 물체를 통과한 후 상기 무인 지게차의 차체 높이를 상기 제1 높이로 조절하는 단계를 포함할 수 있다.
일 실시예로서, 상기 제1 팔레트를 상기 무인 지게차로부터 적하하도록 제어하는 단계는, 상기 제1 팔레트와 상기 목표 위치의 바닥면과의 제1 높이차를 산출하는 단계; 상기 제1 높이차가 제1 임계 높이 이상인 경우 상기 제1 팔레트를 상기 제1 임계 높이까지 제1 속도로 하강시키도록 상기 포크암을 제어하는 단계; 상기 제1 팔레트를 상기 제1 임계 높이부터 제2 임계 높이까지 상기 제1 속도보다 작은 제2 속도로 하강시키도록 상기 포크암을 제어하는 단계; 상기 제1 팔레트를 상기 제2 임계 높이부터 상기 목표 위치의 바닥면까지 상기 제2 속도보다 작은 제3 속도로 하강시키도록 상기 포크암을 제어하는 단계; 및 상기 다수의 라이다 센서를 이용하여 상기 제1 팔레트와 상기 목표 위치의 바닥면 사이에 제2 물체를 감지한 경우 상기 제1 팔레트의 하강을 중단하도록 상기 포크암을 제어하는 단계를 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차를 이용하여 경제적이고 효율적으로 물류를 이동시킬 수 있다. 또한, 무인 지게차의 이동 경로에 방해물이 위치하는 경우 방해물의 높이에 따라서 대체 경로를 탐색하거나 차체 높이를 조절하여 방해물과의 충돌을 방지하고, 작업자를 보호할 수 있다.
도 1은 일실시예에 따른 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템을 나타낸 도면이다.
도 2는 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법의 흐름도이다.
도 5는 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법의 흐름도이다.
도 5는 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템을 나타낸 도면이다.
도 1에 도시한 바와 같이, 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템(100)은, 다수의 무인 지게차(110-1, …, 110-n), 서버(120), 데이터베이스(130) 및 물류 관리 시스템 서버(140)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 서버(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 서버(120)내에 구비될 수도 있다. 예를 들어, 서버(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공 신경망(Neural Network)을 포함할 수 있다. 일 실시예에 따르면, 다수의 무인 지게차(110-1, …, 110-n), 서버(120), 데이터베이스(130) 및 물류 관리 시스템 서버(140)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다.
다수의 무인 지게차(110-1, …, 110-n) 각각은 참고도 1과 같은 형태로 구현될 수 있고, 다수의 라이다(LiDAR: Light Detection And Ranging) 센서를 포함할 수 있다. 또한, 다수의 무인 지게차(110-1, …, 110-n)는 포크암(Fork-arm), 포크(Fork) 등을 포함할 수 있는데, 포크암과 포크는 참고도 2에서와 같은 형태로 구현될 수 있다.
[참고도 1]
[참고도 2]
서버(120)는, 물류 관리 시스템 서버로부터 팔레트 정보를 수신할 수 있다 일 실시예에 따르면, 서버(120)는 물류 관리 시스템 서버(140)로부터 네트워크(N)를 통하여 팔레트 정보를 수신할 수 있다. 예를 들어, 팔레트 정보는, 물류 관리 시스템 서버(140)에 등록된 다수의 팔레트의 현재 위치, 다수의 팔레트의 목표 위치 등을 포함할 수 있다. 팔레트(pallet)는, 화물을 적재하여 용이하게 운반하기 위한 용도로 사용되고, 나무 또는 플라스틱 재질로 만들어질 수 있다. 팔레트는 참고도 3과 같은 형태로 구현될 수 있다.
[참고도 3]
서버(120)는, 팔레트 정보를 이용하여 제1 팔레트의 현재 위치로 무인 지게차를 이동하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 물류 관리 시스템 서버(140)로부터 수신된 팔레트 정보를 이용하여 제1 팔레트의 현재 위치로 다수의 무인 지게차(110-1, …, 110-n) 중 어느 하나의 무인 지게차(예를 들어, 110-1)를 이동하도록 제어할 수 있다.
서버(120)는, 무인 지게차가 포함하는 다수의 라이다 센서로부터 센싱 신호를 수신할 수 있다. 일 실시예에 따르면, 서버(120)는 무인 지게차(110-1)가 포함하는 다수의 라이다 센서로부터 네트워크(N)를 통하여 센싱 신호를 수신할 수 있다.
서버(120)는, 센싱 신호를 이용하여 무인 지게차의 위치 인식을 수행할 수 있다. 일 실시예에 따르면, 서버(120)는 무인 지게차(110-1)가 포함하는 다수의 라이다 센서로부터 수신된 센싱 신호를 이용하여 3차원 모델링 영상을 생성하고, 생성된 3차원 모델링 영상을 이용하여 3차원 모델링 영상내에서의 무인 지게차의 위치 인식을 수행할 수 있다.
서버(120)는, 무인 지게차의 위치 인식 결과를 이용하여 제1 팔레트를 무인 지게차에 적재(積載)하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 3차원 모델링 영상내에서의 무인 지게차(110-1)와 제1 팔레트의 위치 인식 결과를 이용하여 제1 팔레트를 무인 지게차의 포크암(Fork-arm)과 연결된 포크에 적재하도록 제어할 수 있다.
서버(120)는, 제1 팔레트가 적재된 무인 지게차를 팔레트 정보가 포함하는 목표 위치로 이동시키도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 팔레트가 포크에 적재된 무인 지게차(110-1)를 팔레트 정보가 포함하는 목표 위치로 이동시키도록 무인 지게차(110-1)를 제어할 수 있다.
서버(120)는, 목표 위치에서 제1 팔레트를 무인 지게차로부터 적하(積下)하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 팔레트의 목표 위치로 이동한 무인 지게차(110-1)에서 제1 팔레트를 무인 지게차(110-1)로부터 적하(積下)하도록 무인 지게차(110-1)의 포크암을 제어할 수 있다.
또한 서버(120)는, 제1 팔레트를 무인 지게차에 적재하도록 제어하는 경우, 제1 팔레트가 무인 지게차를 기준으로 제1 방향 내지 제3 방향 중 어느 방향에 위치하는지 판단할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 팔레트를 무인 지게차에 적재하도록 제어하는 경우, 다수의 라이다 센서의 센싱 신호를 이용하여 생성된 3차원 모델링 영상을 이용하여 제1 팔레트가 무인 지게차(110-1)를 기준으로 제1 방향(예를 들어, 무인 지게차의 왼쪽 방향), 제2 방향(예를 들어, 무인 지게차의 정면 방향), 및 제3 방향(예를 들어, 무인 지게차의 오른쪽 방향) 중 어느 방향에 위치하는지 판단할 수 있다.
서버(120)는, 제1 팔레트의 위치 방향에 따라서 무인 지게차의 포크암의 평면 방향 위치를 조절하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 팔레트의 위치 방향에 따라서 제1 팔레트가 무인 지게차(110-1)를 기준으로 제1 방향(무인 지게차의 왼쪽 방향)에 위치하는 경우 무인 지게차(110-1)의 포크가 왼쪽 방향을 향하도록 포크암의 평면 방향 위치를 조절하고, 제1 팔레트가 무인 지게차(110-1)를 기준으로 제2 방향(무인 지게차의 정면 방향)에 위치하는 경우 무인 지게차(110-1)의 포크가 정면 방향을 향하도록 포크암의 평면 방향 위치를 조절하며, 제1 팔레트가 무인 지게차(110-1)를 기준으로 제3 방향(무인 지게차의 오른쪽 방향)에 위치하는 경우 무인 지게차(110-1)의 포크가 오른쪽 방향을 향하도록 포크암의 평면 방향 위치를 조절하도록 무인 지게차(110-1)를 제어할 수 있다.
서버(120)는, 제1 팔레트의 높이에 따라서 포크암의 수직 방향 위치를 조절하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 팔레트가 위치한 높이에 따라서 무인 지게차(110-1)가 제1 팔레트를 적재할 수 있도록 포크암의 수직 방향 위치를 조절하도록 무인 지게차(110-1)를 제어할 수 있다.
서버(120)는, 다수의 라이다 센서로부터 수신된 센싱 신호를 이용하여 포크암과 연결된 포크와 제1 팔레트간의 제1 거리를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 다수의 라이다 센서로부터 수신된 센싱 신호를 이용하여 3차원 모델링 영상을 생성하고, 3차원 모델링 영상을 이용하여 무인 지게차(110-1)의 포크의 가장 돌출된 부위로부터 제1 팔레트까지의 직선 거리를 제1 거리로 산출할 수 있다. 예를 들어, 제1 거리가 1m인 경우는 무인 지게차(110-1)의 포크의 가장 돌출된 부위로부터 제1 팔레트까지의 직선 거리가 1m인 경우이고, 제1 거리가 -50cm인 경우는 무인 지게차(110-1)의 포크의 가장 돌출된 부위가 제1 팔레트를 통과하여 50cm를 전진한 경우를 나타낼 수 있다.
서버(120)는, 제1 거리가 제1 범위 이상일 경우 포크암을 제2 거리만큼 전진하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 거리(예를 들어, 1m)가 제1 범위(-50cm) 이상일 경우 포크암을 제2 거리(예를 들어, 제1 거리에서 제1 범위를 뺀 거리(150cm))만큼 전진하도록 제어할 수 있다.
서버(120)는, 제1 거리가 제1 범위 미만일 경우 제1 팔레트를 무인 지게차에 적재하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 거리(예를 들어, -70cm)가 제1 범위(-50cm) 미만일 경우, 즉 무인 지게차(110-1)의 포크의 가장 돌출된 부위가 제1 팔레트를 통과하여 70cm를 전진하여 무인 지게차(110-1)의 포크가 물체를 인양할 수 있는 위치에 위치한 경우, 제1 팔레트를 무인 지게차에 적재하도록 제어할 수 있다.
또한 서버(120)는, 제1 팔레트가 위치한 장소로 무인 지게차를 이동하도록 제어하는 경우, 다수의 라이다 센서를 이용하여 무인 지게차의 이동 방향 전방의 3차원 모델링 영상을 생성할 수 있다. 일 실시예에 따르면, 서버(120)는 무인 지게차(110-1)가 포함하는 다수의 라이다 센서로부터 센싱 신호를 수신하고, 수신된 센싱 신호를 이용하여 무인 지게차의 이동 방향 전방의 3차원 모델링 영상을 생성할 수 있다.
서버(120)는, 3차원 모델링 영상을 이용하여 무인 지게차의 현재 위치로부터 제1 팔레트가 위치한 장소로 무인 지게차가 이동하기 위한 최단 경로 정보를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 3차원 모델링 영상을 이용하여 무인 지게차의 현재 위치와 제1 팔레트가 위치한 장소 사이에 방해물이 없는 경우 직선 경로를 무인 지게차가 이동하기 위한 최단 경로 정보로 산출할 수 있다.
서버(120)는, 최단 경로 정보를 이용하여 무인 지게차를 이동하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 산출된 최단 경로 정보를 이용하여 무인 지게차(110-1)를 미리 설정된 속도록 이동하도록 제어할 수 있다.
또한 서버(120)는, 최단 경로 정보를 산출하는 경우, 최단 경로 정보가 포함하는 최단 경로 상에 제1 물체가 위치하는지 판단할 수 있다. 일 실시예에 따르면, 서버(120)는 3차원 모델링 영상을 이용하여 최단 경로 정보가 포함하는 최단 경로 상에 제1 물체(방해물)가 위치하는지 판단할 수 있다.
서버(120)는, 최단 경로 상에 제1 물체가 위치하는 경우 제1 물체의 높이를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 무인 지게차(110-1)가 이동할 최단 경로 상에 제1 물체(방해물)가 위치하는 경우 3차원 모델링 영상을 이용하여 제1 물체(방해물)의 높이를 산출할 수 있다.
서버(120)는, 제1 물체의 높이가 제1 임계값 이상인 경우 제1 물체를 우회하기 위한 대체 경로 정보를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 물체의 높이(예를 들어, 1m)가 제1 임계값(예를 들어, 50cm) 이상인 경우 제1 물체를 우회하기 위한 대체 경로 정보를 산출할 수 있다. 즉, 무인 지게차(110-1)는 차체의 높이를 조절할 수 있고, 제1 임계값은 무인 지게차(110-1)의 차체를 높일 수 있는 최대값으로 설정할 수 있다. 서버(120)는 최단 경로 상에 위치한 제1 물체의 높이가 무인 지게차(110-1)의 차체 높이를 조절하여 회피할 수 없는 것으로 판단한 경우 제1 물체를 회피할 수 있는 대체 경로 정보를 산출할 수 있다.
서버(120)는, 대체 경로 정보를 이용하여 최단 경로 정보를 업데이트할 수 있다. 일 실시예에 따르면, 서버(120)는 대체 경로 정보를 산출할 경우, 최단 경로에서 제1 물체가 위치한 부분의 경로를 대체 경로 정보로 대체하여 최단 경로 정보를 업데이트할 수 있다.
서버(120)는, 제1 물체의 높이가 제1 임계값 미만이고, 제2 임계값 이상인 경우 무인 지게차의 차체 높이를 제1 높이에서 제2 임계값 이상의 제2 높이로 조절할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 물체의 높이가 제1 임계값 미만이어서 무인 지게차(110-1)의 차체 높이를 조절하여 회피할 수 있는 것으로 판단하였지만, 무인 지게차(110-1)의 현재 차체 높이인 제2 임계값 이상인 경우 무인 지게차의 차체 높이를 현재 차체 높이인 제1 높이에서 제1 물체의 높이를 초과하는 제2 높이로 조절할 수 있다.
서버(120)는, 무인 지게차가 제1 물체를 통과한 후 무인 지게차의 차체 높이를 제1 높이로 조절할 수 있다. 일 실시예에 따르면, 무인 지게차(110-1)가 방해물인 제1 물체를 통과한 후에는 무인 지게차(110-1)의 차체 높이를 원래 높이인 제1 높이로 조절할 수 있다. 즉, 제1 높이는 무인 지게차(110-1)가 물건을 적재하고 안정적으로 운행하기 위한 최상의 높이로 설정되기 때문에 무인 지게차(110-1)의 차체 높이를 조절하여 방해물을 통과한 후에는 무인 지게차(110-1)의 차체 높이를 원래 높이인 제1 높이로 조절하여 무인 지게차(110-1)가 안전하게 운행하도록 설정할 수 있다.
또한 서버(120)는, 제1 팔레트를 무인 지게차로부터 적하하도록 제어하는 경우, 제1 팔레트와 목표 위치의 바닥면과의 제1 높이차를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 팔레트를 무인 지게차로부터 적하하도록 제어하는 경우, 3차원 모델링 영상을 이용하여 제1 팔레트의 최하단으로부터 목표 위치의 바닥면까지의 거리를 제1 높이차로 산출할 수 있다.
서버(120)는, 제1 높이차가 제1 임계 높이 이상인 경우 제1 팔레트를 제1 임계 높이까지 제1 속도로 하강시키도록 포크암을 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 높이차가 제1 임계 높이(예를 들어, 50cm) 이상인 경우 제1 팔레트를 제1 임계 높이까지 미리 설정된 제1 속도(예를 들어, 0.5m/s)로 하강시키도록 무인 지게차(110-1)의 포크암을 제어할 수 있다.
서버(120)는, 제1 팔레트를 제1 임계 높이부터 제2 임계 높이까지 제1 속도보다 작은 제2 속도로 하강시키도록 포크암을 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 팔레트를 제1 임계 높이(예를 들어, 50cm)부터 제2 임계 높이(예를 들어, 20cm)까지 제1 속도(예를 들어, 0.5m/s)보다 작은 제2 속도(예를 들어, 0.25m/s)로 하강시키도록 무인 지게차(110-1)의 포크암을 제어할 수 있다.
서버(120)는, 제1 팔레트를 제2 임계 높이부터 목표 위치의 바닥면까지 제2 속도보다 작은 제3 속도로 하강시키도록 포크암을 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 팔레트를 제2 임계 높이(예를 들어, 20cm)부터 목표 위치의 바닥면까지 제2 속도(예를 들어, 0.25m/s)보다 작은 제3 속도(예를 들어, 0.1m/s)로 하강시키도록 무인 지게차(110-1)의 포크암을 제어할 수 있다. 즉, 서버(120)는 제1 팔레트를 목표 위치에서 적하하는 경우 제1 팔레트의 높이에 따라서 제1 팔레트의 하강 속도가 점점 낮아지도록 설정하여 제1 팔레트가 목표 위치에 안전하게 적하되도록 무인 지게차(110-1)를 제어할 수 있다.
서버(120)는, 다수의 라이다 센서를 이용하여 제1 팔레트와 목표 위치의 바닥면 사이에 제2 물체를 감지한 경우 제1 팔레트의 하강을 중단하도록 포크암을 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 다수의 라이다 센서를 이용하여, 제1 팔레트를 하강시키는 도중 제1 팔레트와 목표 위치의 바닥면 사이에 제2 물체(방해물)를 감지한 경우 제1 팔레트의 하강을 중단하도록 무인 지게차(110-1)의 포크암을 제어할 수 있다. 즉, 서버(120)는 제1 팔레트를 하강시키는 도중 방해물을 감지한 경우 제1 팔레트의 하강을 중단하도록 설정하여 제1 팔레트가 목표 위치에 안전하게 적하되도록 무인 지게차(110-1)를 제어할 수 있다.
데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 무인 지게차(110-1, …, 110-n), 서버(120), 데이터베이스(130) 및 물류 관리 시스템 서버(140)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 물류 관리 시스템 서버(140)로부터 수신된 팔레트 정보, 다수의 무인 지게차(110-1, …, 110-n)로부터 수신된 센싱 신호, 서버(120)에서 생성된 3차원 모델링 영상, 최단 경로 정보 등을 저장할 수 있다.
네트워크(N)는, 다수의 무인 지게차(110-1, …, 110-n), 서버(120), 데이터베이스(130), 물류 관리 시스템 서버(140) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크(N)는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크(N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 2는 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 2에 도시한 바와 같이, 서버(120)는 하나 이상의 프로세서(122), 하나 이상의 메모리(124) 및/또는 송수신기(126)를 포함할 수 있다. 일 실시예로서, 서버(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 서버(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 서버(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다.
하나 이상의 프로세서(122)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(122)에 연결된 서버(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(122)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(122)는 데이터 등을 하나 이상의 메모리(124)로부터 로드하거나, 하나 이상의 메모리(124)에 저장할 수 있다.
하나 이상의 프로세서(122)는, 물류 관리 시스템 서버로부터 팔레트 정보를 수신할 수 있다 일 실시예에 따르면, 프로세서(122)는 물류 관리 시스템 서버(140)로부터 송수신기(126)를 통하여 팔레트 정보를 수신할 수 있다. 예를 들어, 팔레트 정보는, 물류 관리 시스템 서버(140)에 등록된 다수의 팔레트의 현재 위치, 다수의 팔레트의 목표 위치 등을 포함할 수 있다.
하나 이상의 프로세서(122)는, 팔레트 정보를 이용하여 제1 팔레트의 현재 위치로 무인 지게차를 이동하도록 제어할 수 있다. 일 실시예에 따르면, 프로세서(122)는 물류 관리 시스템 서버(140)로부터 수신된 팔레트 정보를 이용하여 제1 팔레트의 현재 위치로 다수의 무인 지게차(110-1, …, 110-n) 중 어느 하나의 무인 지게차(예를 들어, 110-1)를 이동하도록 제어할 수 있다.
하나 이상의 프로세서(122)는, 무인 지게차가 포함하는 다수의 라이다 센서로부터 센싱 신호를 수신할 수 있다. 일 실시예에 따르면, 프로세서(122)는 무인 지게차(110-1)가 포함하는 다수의 라이다 센서로부터 송수신기(126)를 통하여 센싱 신호를 수신할 수 있다.
하나 이상의 프로세서(122)는, 센싱 신호를 이용하여 무인 지게차의 위치 인식을 수행할 수 있다. 일 실시예에 따르면, 프로세서(122)는 무인 지게차(110-1)가 포함하는 다수의 라이다 센서로부터 수신된 센싱 신호를 이용하여 3차원 모델링 영상을 생성하고, 생성된 3차원 모델링 영상을 이용하여 3차원 모델링 영상내에서의 무인 지게차의 위치 인식을 수행할 수 있다.
하나 이상의 프로세서(122)는, 무인 지게차의 위치 인식 결과를 이용하여 제1 팔레트를 무인 지게차에 적재하도록 제어할 수 있다. 일 실시예에 따르면, 프로세서(122)는 3차원 모델링 영상내에서의 무인 지게차(110-1)와 제1 팔레트의 위치 인식 결과를 이용하여 제1 팔레트를 무인 지게차의 포크암(Fork-arm)과 연결된 포크에 적재하도록 제어할 수 있다.
하나 이상의 프로세서(122)는, 제1 팔레트가 적재된 무인 지게차를 팔레트 정보가 포함하는 목표 위치로 이동시키도록 제어할 수 있다. 일 실시예에 따르면, 프로세서(122)는 제1 팔레트가 포크에 적재된 무인 지게차(110-1)를 팔레트 정보가 포함하는 목표 위치로 이동시키도록 무인 지게차(110-1)를 제어할 수 있다.
하나 이상의 프로세서(122)는, 목표 위치에서 제1 팔레트를 무인 지게차로부터 적하하도록 제어할 수 있다. 일 실시예에 따르면, 프로세서(122)는 제1 팔레트의 목표 위치로 이동한 무인 지게차(110-1)에서 제1 팔레트를 무인 지게차(110-1)로부터 적하하도록 무인 지게차(110-1)의 포크암을 제어할 수 있다.
하나 이상의 메모리(124)는 다양한 데이터를 저장할 수 있다. 메모리(124)에 저장되는 데이터는, 서버(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 메모리(124)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 메모리(124)에 저장되는 소프트웨어로서, 서버(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 서버(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
하나 이상의 메모리(124)는 상술한 물류 관리 시스템 서버(140)로부터 수신된 팔레트 정보, 다수의 무인 지게차(110-1, …, 110-n)로부터 수신된 센싱 신호, 서버(120)에서 생성된 3차원 모델링 영상, 최단 경로 정보 등을 저장할 수 있다. 또한, 하나 이상의 메모리(124)는, 하나 이상의 프로세서(122)에 의한 실행 시, 하나 이상의 프로세서(122)가 연산을 수행하도록 하는 명령들을 저장할 수 있다.
일 실시예로서, 서버(120)는 송수신기(126)를 더 포함할 수 있다. 송수신기(126)는, 다수의 무인 지게차(110-1, …, 110-n), 서버(120), 데이터베이스(130), 물류 관리 시스템 서버(140) 및/또는 기타 다른 장치 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(long-term evolution), LTE-A(LTE Advance), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수 있다.
일 실시예로서, 하나 이상의 프로세서(122)는 송수신기(126)를 제어하여 다수의 무인 지게차(110-1, …, 110-n), 데이터베이스(130) 및 물류 관리 시스템 서버(140)로부터 정보를 획득할 수 있다. 다수의 무인 지게차(110-1, …, 110-n), 데이터베이스(130) 및 물류 관리 시스템 서버(140)로부터 획득된 정보는 하나 이상의 메모리(124)에 저장될 수 있다.
일 실시예로서, 서버(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 서버(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 서버(120)는 전술한 장치들에 한정되지 않는다.
본 발명에 따른 서버(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 서버(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 서버(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 PLC의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.
도 3은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3에 도시한 바와 같이, 학습 장치는 기계학습 알고리즘을 이용하여 다수의 라이다 센서의 센싱 신호로부터 무인 지게차의 위치 인식을 수행하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 서버(120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.
뉴럴 네트워크(123)는 트레이닝 샘플들이 입력되는 입력 레이어(121)와 트레이닝 출력들을 출력하는 출력 레이어(125)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 제1 레이블들은 무인 지게차의 위치에 기초하여 정의될 수 있다. 뉴럴 네트워크(123)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(123) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(123) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 센싱 신호에 대응하는 미리 정의된 무인 지게차의 위치인 제1 레이블들을 획득하고, 미리 정의된 무인 지게차의 위치를 제1 뉴럴 네트워크로 적용하여, 트레이닝 센싱 신호에 대응하는 트레이닝 출력들을 생성하며, 트레이닝 출력들, 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시킬 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 센싱 신호의 형태 특징들, 구성 특징들 및 패턴 특징들에 기초하여 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(123)의 무인 지게차의 위치 인식 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제1 뉴럴 네트워크를 이용하여 센싱 신호에 대응하는 무인 지게차의 위치 인식을 수행할 수 있다.
일 실시예에 따르면, 학습 장치는 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 센싱 신호를 이용하여 무인 지게차의 위치 인식을 수행할 수 있다.
도 4는 일실시예에 따른 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법의 흐름도이다.
도 4의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 4에 도시한 바와 같이, 단계(S410)에서, 팔레트 정보가 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템(100)의 서버(120)는 물류 관리 시스템 서버로부터 팔레트 정보를 수신할 수 있다 일 실시예에 따르면, 서버(120)는 물류 관리 시스템 서버(140)로부터 네트워크(N)를 통하여 팔레트 정보를 수신할 수 있다. 예를 들어, 팔레트 정보는, 물류 관리 시스템 서버(140)에 등록된 다수의 팔레트의 현재 위치, 다수의 팔레트의 목표 위치 등을 포함할 수 있다.
단계(S420)에서, 무인 지게차 이동이 제어된다. 예를 들어, 도 1 내지 도 3을 참조하면, 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템(100)의 서버(120)는 단계 S410에서 수신된 팔레트 정보를 이용하여 제1 팔레트의 현재 위치로 무인 지게차를 이동하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 물류 관리 시스템 서버(140)로부터 수신된 팔레트 정보를 이용하여 제1 팔레트의 현재 위치로 다수의 무인 지게차(110-1, …, 110-n) 중 어느 하나의 무인 지게차(예를 들어, 110-1)를 이동하도록 제어할 수 있다.
단계(S430)에서, 센싱 신호가 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템(100)의 서버(120)는 무인 지게차가 포함하는 다수의 라이다 센서로부터 센싱 신호를 수신할 수 있다. 일 실시예에 따르면, 서버(120)는 무인 지게차(110-1)가 포함하는 다수의 라이다 센서로부터 네트워크(N)를 통하여 센싱 신호를 수신할 수 있다.
단계(S440)에서, 위치 인식이 수행된다. 예를 들어, 도 1 내지 도 3을 참조하면, 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템(100)의 서버(120)는 단계 S430에서 수신된 센싱 신호를 이용하여 무인 지게차의 위치 인식을 수행할 수 있다. 일 실시예에 따르면, 서버(120)는 무인 지게차(110-1)가 포함하는 다수의 라이다 센서로부터 수신된 센싱 신호를 이용하여 3차원 모델링 영상을 생성하고, 생성된 3차원 모델링 영상을 이용하여 3차원 모델링 영상내에서의 무인 지게차의 위치 인식을 수행할 수 있다.
단계(S450)에서, 제1 팔레트가 적재된다. 예를 들어, 도 1 내지 도 3을 참조하면, 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템(100)의 서버(120)는 단계 S440에서 수행된 무인 지게차의 위치 인식 결과를 이용하여 제1 팔레트를 무인 지게차에 적재(積載)하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 3차원 모델링 영상내에서의 무인 지게차(110-1)와 제1 팔레트의 위치 인식 결과를 이용하여 제1 팔레트를 무인 지게차의 포크암(Fork-arm)과 연결된 포크에 적재하도록 제어할 수 있다.
단계(S460)에서, 무인 지게차의 이동이 제어된다. 예를 들어, 도 1 내지 도 3을 참조하면, 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템(100)의 서버(120)는 제1 팔레트가 적재된 무인 지게차를 팔레트 정보가 포함하는 목표 위치로 이동시키도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 팔레트가 포크에 적재된 무인 지게차(110-1)를 팔레트 정보가 포함하는 목표 위치로 이동시키도록 무인 지게차(110-1)를 제어할 수 있다.
단계(S470)에서, 제1 팔레트가 적하된다. 예를 들어, 도 1 내지 도 3을 참조하면, 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 시스템(100)의 서버(120)는 목표 위치에서 제1 팔레트를 무인 지게차로부터 적하(積下)하도록 제어할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 팔레트의 목표 위치로 이동한 무인 지게차(110-1)에서 제1 팔레트를 무인 지게차(110-1)로부터 적하(積下)하도록 무인 지게차(110-1)의 포크암을 제어할 수 있다.
도 5는 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(501)는 프로세서(502) 및 메모리(503)를 포함한다. 일실시예에 따른 장치(501)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 4를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(503)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(503)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(502)는 프로그램을 실행하고, 장치(501)를 제어할 수 있다. 프로세서(502)에 의하여 실행되는 프로그램의 코드는 메모리(503)에 저장될 수 있다. 장치(501)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate 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.
실시예에 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.
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.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 청구범위의 범위에 속한다.
Claims (3)
- 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법으로서,
물류 관리 시스템 서버로부터 팔레트 정보를 수신하는 단계;
상기 팔레트 정보를 이용하여 제1 팔레트의 현재 위치로 무인 지게차를 이동하도록 제어하는 단계;
상기 무인 지게차가 포함하는 다수의 라이다 센서로부터 센싱 신호를 수신하는 단계;
상기 센싱 신호를 이용하여 상기 무인 지게차의 위치 인식을 수행하는 단계;
상기 무인 지게차의 위치 인식 결과를 이용하여 상기 제1 팔레트를 상기 무인 지게차에 적재(積載)하도록 제어하는 단계;
상기 제1 팔레트가 적재된 상기 무인 지게차를 상기 팔레트 정보가 포함하는 목표 위치로 이동시키도록 제어하는 단계; 및
상기 목표 위치에서 상기 제1 팔레트를 상기 무인 지게차로부터 적하(積下)하도록 제어하는 단계를 포함하되,
상기 제1 팔레트가 위치한 장소로 무인 지게차를 이동하도록 제어하는 단계는,
상기 다수의 라이다 센서를 이용하여 상기 무인 지게차의 이동 방향 전방의 3차원 모델링 영상을 생성하는 단계;
상기 3차원 모델링 영상을 이용하여 상기 무인 지게차의 현재 위치로부터 상기 제1 팔레트가 위치한 장소로 상기 무인 지게차가 이동하기 위한 최단 경로 정보를 산출하는 단계; 및
상기 최단 경로 정보를 이용하여 상기 무인 지게차를 이동하도록 제어하는 단계를 포함하고,
상기 최단 경로 정보를 산출하는 단계는,
상기 최단 경로 정보가 포함하는 최단 경로 상에 제1 물체가 위치하는지 판단하는 단계;
상기 최단 경로 상에 상기 제1 물체가 위치하는 경우 상기 제1 물체의 높이를 산출하는 단계;
상기 제1 물체의 높이가 제1 임계값 이상인 경우 상기 제1 물체를 우회하기 위한 대체 경로 정보를 산출하는 단계;
상기 대체 경로 정보를 이용하여 상기 최단 경로 정보를 업데이트하는 단계;
상기 제1 물체의 높이가 상기 제1 임계값 미만이고, 제2 임계값 이상인 경우 상기 무인 지게차의 차체 높이를 제1 높이에서 제2 높이로 조절하는 단계; 및
상기 무인 지게차가 상기 제1 물체를 통과한 후 상기 무인 지게차의 차체 높이를 상기 제1 높이로 조절하는 단계를 포함하는,
물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법. - 제1항에 있어서,
상기 제1 팔레트를 상기 무인 지게차에 적재(積載)하도록 제어하는 단계는,
상기 제1 팔레트가 상기 무인 지게차를 기준으로 제1 방향 내지 제3 방향 중 어느 방향에 위치하는지 판단하는 단계;
상기 제1 팔레트의 위치 방향에 따라서 상기 무인 지게차의 포크암의 평면 방향 위치를 조절하도록 제어하는 단계;
상기 제1 팔레트의 높이에 따라서 상기 포크암의 수직 방향 위치를 조절하도록 제어하는 단계;
상기 다수의 라이다 센서로부터 수신된 센싱 신호를 이용하여 상기 포크암과 연결된 포크와 상기 제1 팔레트간의 제1 거리를 산출하는 단계;
상기 제1 거리가 제1 범위 이상일 경우 상기 포크암을 제2 거리만큼 전진하도록 제어하는 단계; 및
상기 제1 거리가 상기 제1 범위 미만일 경우 상기 제1 팔레트를 상기 무인 지게차에 적재하도록 제어하는 단계를 포함하는,
물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230168040A KR102651998B1 (ko) | 2023-11-28 | 2023-11-28 | 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230168040A KR102651998B1 (ko) | 2023-11-28 | 2023-11-28 | 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102651998B1 true KR102651998B1 (ko) | 2024-03-27 |
Family
ID=90480575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230168040A KR102651998B1 (ko) | 2023-11-28 | 2023-11-28 | 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102651998B1 (ko) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130099596A (ko) * | 2012-02-29 | 2013-09-06 | 부산대학교 산학협력단 | 무인지게차의 팔레트 자율하역 장치 및 방법 |
| US20210316975A1 (en) * | 2020-04-13 | 2021-10-14 | Hyundai Construction Equipment Co., Ltd. | Autonomous forklift truck |
| KR20210130500A (ko) | 2020-04-22 | 2021-11-01 | 두산산업차량 주식회사 | 전동 지게차의 페달 제어 시스템 |
| CN113619605A (zh) * | 2021-09-02 | 2021-11-09 | 盟识(上海)科技有限公司 | 一种地下矿用铰接车自动驾驶方法与系统 |
| KR20230073804A (ko) | 2021-11-19 | 2023-05-26 | 현대엠시스템즈 주식회사 | 스테레오 카메라와 초음파 센서를 이용한 무인 지게차 주행 제어 장치 및 주행 방법 |
| CN116621083A (zh) * | 2023-05-19 | 2023-08-22 | 苏州玖物智能科技股份有限公司 | 地牛amr |
-
2023
- 2023-11-28 KR KR1020230168040A patent/KR102651998B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130099596A (ko) * | 2012-02-29 | 2013-09-06 | 부산대학교 산학협력단 | 무인지게차의 팔레트 자율하역 장치 및 방법 |
| US20210316975A1 (en) * | 2020-04-13 | 2021-10-14 | Hyundai Construction Equipment Co., Ltd. | Autonomous forklift truck |
| KR20210130500A (ko) | 2020-04-22 | 2021-11-01 | 두산산업차량 주식회사 | 전동 지게차의 페달 제어 시스템 |
| CN113619605A (zh) * | 2021-09-02 | 2021-11-09 | 盟识(上海)科技有限公司 | 一种地下矿用铰接车自动驾驶方法与系统 |
| KR20230073804A (ko) | 2021-11-19 | 2023-05-26 | 현대엠시스템즈 주식회사 | 스테레오 카메라와 초음파 센서를 이용한 무인 지게차 주행 제어 장치 및 주행 방법 |
| CN116621083A (zh) * | 2023-05-19 | 2023-08-22 | 苏州玖物智能科技股份有限公司 | 地牛amr |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102043143B1 (ko) | 인공신경망을 이용한 agv 주행제어 방법 및 장치 | |
| Chakravarty et al. | CNN-based single image obstacle avoidance on a quadrotor | |
| US10845815B2 (en) | Systems, methods and controllers for an autonomous vehicle that implement autonomous driver agents and driving policy learners for generating and improving policies based on collective driving experiences of the autonomous driver agents | |
| US20200216094A1 (en) | Personal driving style learning for autonomous driving | |
| US11097416B2 (en) | Mobile robot system, mobile robot, and method of controlling the mobile robot system | |
| KR102043142B1 (ko) | Agv 주행제어를 위한 인공신경망 학습 방법 및 장치 | |
| US20200033869A1 (en) | Systems, methods and controllers that implement autonomous driver agents and a policy server for serving policies to autonomous driver agents for controlling an autonomous vehicle | |
| US11433548B2 (en) | Robot system and control method thereof | |
| KR20200140628A (ko) | 외부 영상에 기반한 로봇의 주행 방법과, 이를 구현하는 로봇 및 서버 | |
| Mahadevuni et al. | Navigating mobile robots to target in near shortest time using reinforcement learning with spiking neural networks | |
| Mohanty et al. | Application of deep Q-learning for wheel mobile robot navigation | |
| KR102176483B1 (ko) | 차선 정보를 래스터화하여 활용하는 딥러닝 기반 차량 경로 예측 방법 및 장치 | |
| Li et al. | Simulation analysis of a deep reinforcement learning approach for task selection by autonomous material handling vehicles | |
| Peng et al. | Enhanced Autonomous Navigation of Robots by Deep Reinforcement Learning Algorithm with Multistep Method. | |
| KR102651998B1 (ko) | 물류 관리 시스템과의 연동을 기반으로 한 자율주행 무인 지게차의 제어 방법, 장치 및 시스템 | |
| KR102527687B1 (ko) | 물류 분류 자동화를 위한 제어 방법, 장치 및 시스템 | |
| KR102376615B1 (ko) | 주행 로봇의 제어 방법 및 그 장치 | |
| KR20210042537A (ko) | 대면적의 공간에서 로컬 영역별로 위치를 추정하는 방법 및 이를 구현하는 로봇과 클라우드 서버 | |
| Azouaoui et al. | Soft‐computing based navigation approach for a bi‐steerable mobile robot | |
| Dudarenko et al. | Robot navigation system in stochastic environment based on reinforcement learning on lidar data | |
| CN113959446B (zh) | 一种基于神经网络的机器人自主物流运输导航方法 | |
| Li et al. | Supervised reinforcement learning for ULV path planning in complex warehouse environment | |
| US20210078180A1 (en) | Robot system and control method of the same | |
| KR102285472B1 (ko) | 음향의 이퀄라이징 방법과, 이를 구현하는 로봇 및 ai 서버 | |
| KR102635526B1 (ko) | 횡단보도 신호등 연계 기반 바닥 신호등 제어 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |