KR20110026776A

KR20110026776A - 실제 로봇의 다중 경로계획 방법

Info

Publication number: KR20110026776A
Application number: KR1020090084562A
Authority: KR
Inventors: 김성신; 김정민; 박정제
Original assignee: 부산대학교 산학협력단
Priority date: 2009-09-08
Filing date: 2009-09-08
Publication date: 2011-03-16
Also published as: KR101105325B1

Abstract

본 발명은 연산량을 대폭 줄일 수 있으며, 국부 최소점에 빠질 확률이 거의 없으며, 로봇의 특성을 고려하여 실제 로봇에 적용될 수 있는 최적화된 실제 로봇의 다중 경로계획 방법에 관한 것으로, 본 발명에 따른 실제 로봇의 다중 경로계획 방법은, 로봇이 작업하는 공간에 대한 지도를 생성하는 지도 생성단계(S100)와; 상기 생성된 지도를 로봇의 특성을 고려하여 그리드 크기를 설정하여 그리드 지도로 변환시키고, 작업 공간의 장애물에 대하여 그리드에 맞춰 사각 형태의 장애물로 변환시키는 지도 변환단계(S200)와; 상기 변환된 지도를 바탕으로 로봇들에 대한 경로계획을 수행하는 경로계획단계(S300) 및; 다수의 로봇이 작업하는 동안 교착 및 충돌이 발생하는 것을 해결하기 위하여 상기 계획된 경로를 수정하는 충돌회피단계(S400)를 포함하여 구성된 것을 특징으로 한다.

로봇, 경로계획, 자율 주행, 충돌 회피, 장애물

Description

실제 로봇의 다중 경로계획 방법{Method for Path-planning for Actual Robots}

본 발명은 로봇의 이동 경로를 계획하는 방법에 관한 것으로, 더욱 상세하게는 다수의 로봇이 작업하는 공간에 대한 지도를 생성하고, 생성된 지도에서 최적화된 자율 주행 경로를 계획하며, 주행시 충돌 및 교착 상태가 되기 전에 로봇의 경로를 수정하는 충돌회피방안을 포함하는 실제 로봇의 다중 경로계획 방법에 관한 것이다.

종래에 개발된 로봇의 경로계획의 대표적인 기술들로는 A^*알고리즘, 그레디언트 디센트(gradient descent), 유전자 알고리즘(genetic algorithm) 등이 있다.

A^* 알고리즘은 그래프 탐색 알고리즘을 기본으로 하여, 각 노드에 대해 그 노드를 통과하는 최상의 경로를 추정하는 순위 값인 휴리스틱(heuristic) 추정값을 매기는 방법으로, 이 휴리스틱 추정값에 따른 최소비용을 가지는 최적 경로를 생성하는 알고리즘이다.

이러한 A^* 알고리즘은 모든 노드에서 휴리스틱 추정값을 구하기 위해 모든 노드를 탐색하므로 최적화된 경로를 생성할 수 있지만, 연산시간이 매우 오래 걸리는 단점을 가진다.

그레디언트 디센트 알고리즘은 환경 특성에 따라 결정되는 고유비용(intrinsic cost)과 목표점까지의 주행거리에 의해 결정되는 근접비용(adjacency cost)을 합한 주행비용(navigation cost)을 계산하는 방법이다. 즉, 주행비용을 바탕으로 주행함수를 계산하여 목표점으로부터 주행함수가 감소하는 기울기를 따라 최소비용을 갖는 최적경로를 생성하는 알고리즘이다.

이 그레디언트 디센트 알고리즘은 A^* 알고리즘과 비슷한 특성을 가지고 있지만, 비용함수를 축소하여 연산시간을 줄임으로써 실시간 연산이 가능하다. 하지만 축소된 비용함수에 의해 국부 최소점(local minima)에 빠질 확률이 매우 높은 단점이 있다.

유전자 알고리즘은 실제 생물의 유전자(genetics)와 진화(evolution)의 메커니즘을 공학적으로 모델화한 것으로 생물이 갖는 환경에서의 적응능력을 이용한 최적화 방법이다.

이 유전자 알고리즘은 보통 고정 혹은 가변 길이의 이진 스트링 혹은 실수 스트링을 염색체로 이용하여, 각 세대의 적합도를 이용한 최적경로를 생성하는 알고리즘으로, 개체의 수인 개체군의 크기, 각각의 개체가 가지는 염색체의 크기 등과 같은 파라미터에 따라 연산속도나 최적화의 성능이 좌우된다. 개체군의 개수와 염색체의 크기가 크면 클수록 최적화 성능이 좋아지지만, 연산속도가 그만큼 느려 져, 실시간 연산이 필요한 로봇에는 사용이 어렵다.

상술한 것과 같은 종래의 로봇 경로계획 방법들은 한 대의 로봇을 고려한 방법이다. 최근 들어, 다수의 로봇이 작업하는 것을 고려하여 다수 로봇의 경로계획 방법과 충돌 회피 기술을 융합한 다중 경로계획에 관한 방법들이 연구되고 있는데, 현재까지 연구된 방법들은 로봇이 정확히 일정한 속도로 주행해야 하며, 로봇이 계획된 경로로 정확하게 이동해야만 충돌 및 교착이 일어나지 않고 이동을 수행할 수 있는 기술들이다. 따라서, 종래에 연구된 로봇이 경로계획 방법은 현실적으로 실제 로봇에 적용할 수 없는 문제가 있다.

또한, 종래에 연구된 로봇의 다중 경로계획 방법으로서 최적화 알고리즘을 이용한 Task-level feedback 방법과 매시간 각 개체들의 경로를 재계획하는 방법이 있다.

상기 Task-level feedback 방법은 여러 로봇이 서로 일정 거리에 있을 때, 일처리 순위가 높은 로봇을 우선시하여 충돌 공간을 지나치게 하는 방법으로 연산량이 적어 빠른 응답을 가진다. 하지만, 하나의 로봇이 작업을 수행하기 위해서는 한 대 이상의 로봇이 정지해야하므로 시간과 에너지 측면에서 비효율적인 문제가 있다.

이에 반해, 매시간 마다 경로를 재계획하는 방법은 끊임없이 연산을 수행하는 방법으로 과다한 연산량에 의해 부하가 많이 생기게 되고, 이에 시스템 오류가 빈번히 발생하게 된다.

요컨대 종래의 로봇 경로계획 방법들은 실제 로봇에 적용하기에는 연산량의 부하가 과다하거나 국부 최소점에 빠질 확률이 크며, 시뮬레이션에 국한되어 실제 로봇의 특성이 전혀 고려되지 않은 문제점이 있다.

본 발명은 상기와 같은 문제를 해결하기 위한 것으로, 본 발명의 목적은 연산량을 대폭 줄일 수 있으며, 국부 최소점에 빠질 확률이 거의 없으며, 로봇의 특성을 고려하여 실제 로봇에 적용될 수 있는 최적화된 실제 로봇의 다중 경로계획 방법을 제공함에 있다.

상기와 같은 목적을 달성하기 위한 본 발명은, 다수의 로봇에 대한 자율 주행 경로를 계획하는 다중 경로계획 방법에 있어서, 로봇이 작업하는 공간에 대한 지도를 생성하는 지도 생성단계(S100)와; 상기 생성된 지도를 로봇의 특성을 고려하여 그리드 크기를 설정하여 그리드 지도로 변환시키고, 작업 공간의 장애물에 대하여 그리드에 맞춰 사각 형태의 장애물로 변환시키는 지도 변환단계(S200)와; 상기 변환된 지도를 바탕으로 로봇들에 대한 경로계획을 수행하는 경로계획단계(S300) 및; 다수의 로봇이 작업하는 동안 교착 및 충돌이 발생하는 것을 해결하기 위하여 상기 계획된 경로를 수정하는 충돌회피단계(S400)를 포함하여 구성된 것을 특징으로 하는 실제 로봇의 다중 경로계획 방법을 제공한다.

상기 지도 변환단계에서는 장애물의 형태를 사각 형태로 변환시킨 후, 장애물들에 로봇의 장축(L)에 해당하는 크기만큼 영역(E)을 확장하고, 상기 영역 중 여러 대의 로봇이 동시에 이동할 수 없는 경고영역(WA)과, 로봇이 이동할 수 없는 영역(NA)을 분류한다.

본 발명의 한 형태에 따르면, 상기 경로계획단계(S300)는, 로봇의 현재 위치(P₁)에서 목표 위치(P₂)로 이어진 직선에 법선으로 로봇이 이동할 수 있는 후보 경유 지점(P₃)들을 생성하는 단계와; 삭제 연산자를 사용하는 수정된 유전자 알고리즘을 이용하여 최적화된 경로를 생성하는 단계를 포함한다.

여기서, 상기 후보 경유 지점(P₃)들을 생성하기 위한 법선들은 로봇의 제어 특성인 최소 회전 반경 크기와 대응하는 간격(D1)으로 생성되고, 법선의 크기(D2)는 지도 상의 장애물 중 가장 큰 장애물의 장축의 길이의 적어도 1배 이상의 크기로 생성되는 것을 특징으로 한다.

또한, 상기 수정된 유전자 알고리즘은, 생성된 후보 경유 지점(P₃)들을 이진 스트링(binary string)으로 코딩된 집단(population)으로 구성하고, 유전자 알고리즘의 파라미터들을 설정하는 초기화 단계(S311)와; 적합도를 계산하는 단계(S312)와; 후보 경유 지점(C₀) 및 경로(R₀)를 생성한 다음, 삭제 연산자를 사용하여 확률적으로 후보 경유 지점(C₁)을 선택하고, 2단계 전에 후보 경유 지점 사이에 장애물이 존재하는지 체크하여 장애물이 존재하지 않는다면, 1단계 전의 후보 경유 지점(C₂)을 삭제하고 최적화된 경로(R₁)를 생성하는 연산자 사용 단계(S313)와; 생성된 경로가 장애물에 부딪치는지를 체크하는 충돌 체크 단계(S330)와; 유전자 알고리즘의 개체수에 따른 연산이 끝났는지를 확인하는 단계(S314)를 포함한다.

상기 충돌 체크 단계(S330)는 뉴럴-네트워크 모델(neural-network model)을 이용하는 것을 특징으로 한다.

본 발명의 다른 한 형태에 따르면, 상기 충돌회피단계(S400)는, 두 로봇의 거리 D_r를 계산하는 단계와; 계산된 두 로봇 간의 거리(D_r)가 설정 거리 T 안에 들어올 경우, 충돌회피 퍼지 전문가 시스템에 입력을 주어 충돌 회피 계획을 수행하는 단계를 포함하여 구성될 수 있다.

상기 퍼지 전문가 시스템에서 로봇(A)의 현재 지점과 다음 경유 지점(P4)과의 각도(α)와, 로봇의 현재 지점과 목적 지점(P5)과의 각도(β) 차이값을 퍼지 전문가 시스템의 입력으로 하며, 로봇의 다음 경유 지점을 변경하기 위한 변경 각도 값을 출력으로 한다.

이러한 본 발명에 따르면, 지도 변환단계에서 그리드의 셀 크기를 로봇의 특성에 맞춤으로써 연산량을 줄이면서도 국부 최소점에 빠질 확률을 최소화할 수 있다. 또한, 장애물을 사각 형태로 변환시켜 모델링을 단순화시킴으로써 전체적인 연산량을 더욱 줄일 수 있는 이점이 있다.

그리고, 본 발명의 다른 한 형태에 따르면, 삭제 연산자를 사용하는 수정된 유전자 알고리즘을 사용함으로써 그리드 형태의 지도에서 연산량을 대폭 줄일 수 있으며, 효율적인 최적 경로를 계획할 수 있다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 실제 로봇의 다중 경로계획 방법의 바람직한 실시예를 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 실제 로봇의 다중 경로계획 방법을 설명하는 순서도로서, 본 발명의 다중 경로계획 방법은, 로봇의 경로계획을 위해 로봇이 작업하는 공간에 대한 지도를 생성하는 지도 생성단계(S100)와, 상기 생성된 지도를 실제 로봇의 특성을 고려하여 변환시키는 지도 변환단계(S200)와, 상기 변환된 지도를 바탕으로 로봇들에 대한 경로계획을 수행하는 경로계획단계(S300), 그리고 다수의 로봇이 작업하는 동안 교착 및 충돌이 발생하는 것을 해결하기 위하여 상기 계획된 경로를 수정하는 충돌회피단계(S400)를 포함한다.

상기 지도 생성단계(S100)에서는 센서를 이용하여 일반적인 지도 생성 기법을 통해 지도를 생성한다.

상기 지도 생성단계(S100)에서 로봇의 작업 공간에 대한 지도가 생성되면, 상기 지도 변환단계(S200)에서 실제 로봇의 특성을 고려한 그리드 형식의 지도를 생성한다.

도 2a는 상기 지도 변환단계에서 지도를 변환하는 과정을 나타낸 것으로, 지도 변환단계는, 로봇의 특성을 고려하여 그리드(grid)의 셀 크기를 결정하는 그리드의 크기 설정단계(S210)와, 장애물 체크의 용이함과 모델링의 간략화를 위한 장애물 변환단계(S220), 로봇의 이동 영역이 매우 좁거나 없어지는 영역을 효율적으로 사용하기 위한 영역 분류단계(S230)로 이루어진다.

상기 그리드의 크기 설정단계(S210)에서는 로봇의 특성, 예컨대 로봇의 기하 적 형태를 고려하여 그리드의 셀 크기를 설정한다. 예를 들어, 지도 생성단계(S100)를 통해 작업 공간의 지도가 생성되면 도 2b에 도시된 것과 같이, 그리드 크기 설정 단계에서 그리드(G)의 크기(D)를 로봇(A)의 가장 긴축인 장축(L)의 절반으로 설정한다.

이와 같이 그리드(G)의 셀 크기를 로봇의 특성에 맞추어 설정하면, 연산량이 크게 줄어들고 국부 최소점(local minima)에 빠질 확률이 적어지는 이점을 얻을 수 있다.

상기 그리드(G)의 셀 크기(D)가 설정되면, 장애물 변환단계(S220)에서 장애물 체크의 용이함과 모델링의 간략화를 장애물들을 그리드에 맞추어 사각형으로 변환하여 표현한다. 즉, 도 2c에 도시된 것과 같이, 여러가지 형태의 정적 장애물(O)들을 그리드에 맞추어 사각 형태(S)로 변환을 한다. 그리고, 장애물(O)들에 로봇의 장축(L)(도 2b 참조)에 해당하는 크기만큼 영역(E)을 확장한다.

이러한 장애물 변환은 시뮬레이션에서는 영향을 미치지 않지만 실제 로봇의 경로계획을 수행할 때 아무리 최소 거리의 경로가 생성되더라도 로봇이 이동할 수 없는 영역에 경로가 설정되는 문제를 해결한다.

또한, 다각형의 장애물들을 사각 형태로 바꾸는 것은 장애물 체크를 용이하게 할 뿐만 아니라, 모델링을 단순화시킴으로써 전체적인 연산량을 줄일 수 있는 이점을 제공한다.

그런데, 상술한 바와 같이 고정된 장애물(O)에 로봇의 장축(L)을 더하여 영역(E)을 확장하게 되면, 로봇의 이동 영역이 매우 좁아지거나 없어지는 문제가 발 생한다. 이러한 문제를 해결하기 위하여, 도 2d에 예시한 것과 같이, 영역 분류단계(S230)에서 여러 대의 로봇이 동시에 이동할 수 없는 경고영역(WA)과, 로봇이 이동할 수 없는 영역(NA)을 분류하고, 한 대의 로봇만이 이동할 수 있는 경고영역(WA)에서는 경로계획 시에 경유 지점(VA)을 통해서 진행하도록 한다.

이와 같이 분류된 경고영역(WA)은 경로계획 단계(S300)와 충돌 회피단계(S400)에서 한 대의 로봇이 이 경고영역(WA)을 지날 때 다른 로봇들에게 장애물로서 취급된다.

상기 경고영역(WA)을 장애물로 취하게 되면, 한 대의 로봇이 경고영역(WA)을 벗어날 때까지 다른 로봇들이 기다리도록 함으로써 효율적으로 경로계획을 수행할 수 있다.

상술한 과정을 거쳐 지도 변환단계(S200)가 종료되고 변환된 지도가 생성되면, 경로계획단계(S300)에서는 상기 변환된 지도를 바탕으로 작업 공간 안의 로봇들의 위치측정 정보를 토대로 경로계획을 수행한다.

먼저 도 3a에 도시한 것과 같이 경로계획을 위한 로봇의 이동 후보 경유 지점을 생성하여 연산량을 줄인다.

로봇의 현재 위치(P₁)를 알고, 목표 위치(P₂)가 정해지게 되면, 로봇의 현재 위치(P₁)에서 목표 위치(P₂)로 이어진 직선에 법선으로 로봇이 이동할 수 있는 후보 경유 지점(P₃)들을 생성한다. 여기서, 상기 후보 경유 지점(P₃)들을 생성하기 위한 법선들은 로봇의 제어 특성인 최소 회전 반경 크기와 대응하는 간격(D1)으로 생성 하고, 지도 상의 장애물 중 가장 큰 장애물의 장축의 길이의 적어도 1배 이상의 크기(D2)로 생성된다.

이와 같은 경로계획 방법을 통해 연산량을 줄이면서도 실제 로봇에 최적화된 경로를 생성할 수 있다.

상술한 것과 같이 후보 경유 지점(P3)을 생성되게 되면, 도 3b에 도시된 것과 같은 수정된 유전자 알고리즘을 이용한 최적화 방법을 통해 경로계획을 수행한다.

도 3b는 수정된 유전자 알고리즘을 이용한 경로계획 방법을 나타낸다. 이 도면을 참조하면, 수정된 유전자 알고리즘은 일반적인 유전자 알고리즘에서 삭제 연산자를 이용하는 단계(S320)와 충돌체크 단계(S330)를 추가된다.

이 수정된 유전자 알고리즘에서는 도 3a에서 생성된 후보 경유 지점(P₃)들을 이진 스트링(binary string)으로 코딩된 집단(population)으로 구성하고, 유전자 알고리즘의 파라미터들을 설정하는 초기화 단계(S311)에서 아래의 수학식 1과 수학식 2, 수학식 3과 같이 적합도 계산 단계(S312)를 수행한다.

상기 식에서

는 유전자 풀에서 P번째 개체의 i번째 노드의 좌표 값을 의미하며,

는 다음 노드의 좌표 값을 의미한다.

는 P번째 개체의 j번째 노드의 좌표 값을 의미하며,

는 다음 노드의 좌표 값을 의미한다. N은 개체의 모든 노드 개수를 의미한다.

적합도 계산 단계(S312)가 끝나게 되면, 유전자 연산자 사용 단계(S313)에서 유전자의 교배(crossover) 연산자와 돌연변이(mutation) 연산자를 확률적으로 이용해 재생산(reproduction)을 통한 최적의 해를 찾는다.

본 발명에서는 유전자 연산자 사용 단계(S313)를 수행할 때, 빠르고 최적화된 경로계획을 위해서 유전학에서 돌연변이 연산자에 해당하는 삭제 연산자 사용 단계(S320)를 수행하게 된다.

도 3c는 상기 삭제 연산자를 사용하는 단계를 예시하고 있는 도면으로, 유전자 연산자 사용 단계(S313)에서 최적의 해, 즉, 경로계획이 이루어지면, 후보 경유 지점(C₀)들이 생성되고, 경로(R₀)가 생성된다.

이 때, 삭제 연산자는 확률적으로 후보 경유 지점(C₁)을 선택하게 되고, 2단 계 전에 후보 경유 지점 사이에 장애물이 존재하는지 체크를 한다. 이 때, 만약 장애물이 존재하지 않는다면, 1단계 전의 후보 경유 지점(C₂)을 삭제하게 되고, 최적화된 경로(R₁)가 생성되도록 한다.

삭제 연산자 사용 단계(S320)가 끝나면, 생성된 경로가 장애물에 부딪치는지를 체크하는 충돌 체크 단계(S330)를 수행한다. 이 충돌 체크(S330) 단계는 경로가 장애물에 부딪치는지를 체크하는데, 일반적으로 그리드 맵에서는 경로 계획 중에 장애물을 체크하기 위해 모든 셀을 검색해야 하므로 과다한 연산량을 발생시키지만, 본 발명에서는 뉴럴-네트워크 모델(neural-network model)을 이용해 장애물의 빠른 체크와 삭제 또는 추가를 가능하게 한다.

도 3d는 뉴럴-네트워크 모델을 이용하여 장애물 체크를 수행한 예를 나타낸 것으로, 뉴럴-네트워크 모델의 입력(IP)은 x, y 좌표가 되고, 각각의 출력(OP)은 두 개의 장애물에 대한 통과 유무를 나타낸다. 중간 레이어(ML)는 장애물의 네 모서리 좌표값이 된다.

중간 레이어의 입력(ML_i)과 출력(ML_o) 값은 아래의 수학식 4를 사용하여 계산할 수 있다.

상기 수학식4에서 I _mn 와 O _im 는 각각 입력(ML_i)과 출력(ML_o) 값을 의미한다.

은 m번째 노드의 계단 함수 값을 나타내고,

과

은 각각 x와 y 입력의 가중치 값이다.

출력(OP)에 대한 계산은 아래의 수학식 5를 사용하여 계산한다.

상기 수학식5에서

는 뉴런의 최종 출력 레이어(OP)의 출력을 의미한다. T₁과 θ_T는 각각 출력 레이어(OP)의 입력과 활성화 함수(activation function)의 계단 함수(hard limit)값이다.

다시 도 3b를 참조하면, 상술한 충돌 체크 단계(S330)가 끝나게 되면, 유전자 알고리즘의 개체수에 따른 연산이 끝났는지를 확인하고(S314), 끝나지 않았다면 적합도 계산 단계(S312)로 넘어가서 경로계획을 계속 수행하며, 끝났다면 최종 적합도가 가장 높은 경로를 최적 경로로 사용한다.

이러한 경로계획 단계(S300)(도 1참조)에서는 로봇들이 다음 경유 후보 지점의 일정 범위에 도착하게 되면, 다시 경로를 재계획한다.

이는 로봇들이 작업장을 움직이면서, 지도를 업데이트하여 정적 장애물이 추 가 되는 경우가 발생하거나, 경고 영역(WA)(도 2d 참조) 안에 로봇이 진입하는 경우가 발생되기 때문이다.

도 3e는 일반적인 유전자 알고리즘을 통해 생성된 로봇의 경로와 본 발명의 수정된 유전자 알고리즘을 통해 생성된 로봇의 경로에 대한 실험 결과를 나타낸 것으로, 적은 연산으로 경로계획을 수행하였을 때, 삭제 연산자를 사용하지 않은 일반적인 유전자 알고리즘의 결과는 최적화가 되지 않은 반면에, 삭제 연산자를 이용한 본 발명의 수정된 유전자 알고리즘은 적은 연산으로도 최적화된 결과를 얻을 수 있음을 보여주고 있다.

한편, 여러 대의 로봇이 계획된 경로를 따라 작업을 하다보면, 교착 및 충돌 상황이 발생되는데, 이를 효과적으로 해결하기 위하여 본 발명에서는 퍼지 전문가 시스템을 이용하여 충돌 회피 단계(S400)를 수행한다.

도 4a는 퍼지 전문가 시스템을 이용하여 충돌 회피 단계(S400)를 수행하는 과정을 나타낸 것으로, 충돌 회피 단계(S400)에서는 먼저 두 로봇의 거리 D_r를 아래의 수학식 6을 이용하여 계산한다(S401).

상기 수학식6에서 (x ₁ , y ₁ ), (x ₂ , y ₂ )은 두 로봇의 각각의 좌표를 의미한다. 두 로봇의 거리 D_r이 계산되면, 설정 거리 T 안에 들어왔는지를 확인한다(S402). 만 약 두 로봇 간의 간격이 설정 거리 T 안에 들어오게 되면, 충돌회피 퍼지 전문가 시스템에 입력을 준다(S410).

도 4b는 상기 퍼지 전문가 시스템의 입력을 나타낸 예로서, 로봇(A)의 현재 각도를 이용하여 다음 후보 경유 지점(R4)에서 로봇이 이동해야하는 경유 지점(P4)의 각도(α)를 계산한다. 그리고 로봇(A)의 현재 각도와 목적 지점(P5)의 각도(β)를 계산한다.

계산된 로봇의 다음 경유 지점과의 각도(α)와 목적 지점과의 각도(β) 차이 값을 퍼지 전문가 시스템의 입력으로 준다.

도 4c는 퍼지 전문가 시스템에 사용된 입력 소속도 함수와 출력 소속도 함수를 나타낸 것으로, 입력 소속도 함수(그래프 (A))는 로봇의 다음 경유 지점과의 각도(α)와 목적 지점과의 각도(β) 차이 값이며, 입력 값의 전체 범위는 ±90°이고 입력 값에 따라 left, middle, right로 나누어 사용한다.

출력 소속도 함수(그래프 (B))는 다음 경유 지점을 변경하기 위한 변경 각도 값이며, 출력 값의 전체 범위는 ±50°이고, 출력 값에 따라 left, right로 나누어 사용한다.

도 4d는 상기 퍼지 전문가 시스템에서의 퍼지 룰을 예시한 것으로, 퍼지 룰에서 O1과 O2는 각각 로봇 1과 로봇 2를 의미한다.

퍼지 전문가 시스템의 퍼지 룰을 통해 다음 경유 지점을 변경하기 위한 변경 각도 값이 계산되면, 다음 경유 지점을 변경하도록 한다(S403: 도 4a 참조).

도 4e와 도 4f는 각각 본 발명에 따른 충돌 회피 단계(S400)를 실제 로봇에 적용한 결과를 나타낸 것으로, 첫 번째 로봇은 현재 위치(P_p1)에서 목표 지점(P_a1)으로 이동하게 하고, 두 번째 로봇은 현재 위치(P_p2)에서 목표지점(P_a2)으로 이동하게 했을 때의 충돌 회피 결과이다.

두 로봇은 각각 자신의 경로로 이동을 하다가 충돌 상황이 발생되면, 충돌 회피 퍼지 전문가 시스템을 통해 두 로봇의 다음 경유 지점이 변경(P_v1, P_v2)되어, 멈추지 않고 효율적으로 충돌 회피하는 것을 확인할 수 있다.

전술한 것과 같이 본 발명의 경로계획 방법은 지도 변환단계(S200)에서 그리드의 셀 크기를 로봇의 특성에 맞추어 설정함으로써 연산량을 줄이면서도 국부 최소점에 빠질 확률을 최소화할 수 있는 이점을 제공함과 더불어, 장애물을 사각 형태로 변환시켜 모델링을 단순화시킴으로써 전체적인 연산량을 더욱 줄일 수 있는 이점을 제공한다.

또한, 경로계획 단계(S300)에서 삭제 연산자를 사용하는 수정된 유전자 알고리즘을 사용함으로써 그리드 형태의 지도에서 연산량을 대폭 줄일 수 있으며, 효율적인 최적 경로를 계획할 수 있다. 그리고, 충돌회피단계(S400)에서는 퍼지 전문가 시스템을 이용하여 충돌 회피를 효율적으로 수행할 수 있다.

이상에서는 본 발명에 따른 로봇의 다중 경로계획 방법에 대하여 바람직한 실시예를 중심으로 상세히 설명하였으나, 본 발명은 특정 실시예에 한정되지 않으며, 첨부된 특허청구범위에 기재된 범주 내에서 다양한 변경 및 실시가 가능할 것이다.

도 1은 본 발명에 따른 로봇의 다중 경로계획을 나타낸 순서도이다.

도 2a는 도 1의 지도 변환단계에서 지도를 변환하는 과정을 나타낸 순서도이다.

도 2b는 지도 생성단계에서 생성된 지도에 그리드를 생성하는 과정을 개략적으로 예시한 도면이다.

도 2c는 도 2b의 그리드 지도에서 장애물의 형태를 변환시킨 예를 나타낸 도면이다.

도 2d는 도 2b의 그리드 지도에서 영역을 분류하는 예를 나타낸 도면이다.

도 3a는 경로계획 단계에서 로봇의 이동 후보 경유 지점을 생성하는 예를 나타낸 도면이다.

도 3b는 경로계획 단계에서 수정된 유전자 알고리즘을 이용하는 과정을 나타낸 순서도이다.

도 3c는 도 3b의 수정된 유전자 알고리즘을 수행하는 과정에서 삭제된 연산자를 이용하는 예를 나타낸 도면이다.

도 3d는 도 3b의 수정된 유전자 알고리즘을 수행하는 과정에서 뉴럴-네트워크 모델을 이용하여 장애물 체크를 수행한 예를 나타낸 도면이다.

도 3e는 일반적인 유전자 알고리즘과 본 발명의 수정된 유전자 알고리즘을 이용하여 계획된 경로를 비교하여 나타낸 도면이다.

도 4a는 충돌회피단계에서 퍼지 전문가 시스템을 이용하여 충돌 회피 계획을 수행하는 과정을 나타낸 도면이다.

도 4b는 퍼지 전문가 시스템의 입력의 예를 나타낸 도면이다.

도 4c는 퍼지 전문가 시스템에 사용된 입력 소속도 함수와 출력 소속도 함수를 나타낸다.

도 4d는 퍼지 전문가 시스템에서의 퍼지 룰을 예시한 도면이다.

도 4e 및 도 4f는 각각 본 발명에 따른 충돌 회피 단계를 실제 로봇에 적용한 결과를 나타낸 도면이다.

Claims

다수의 로봇에 대한 자율 주행 경로를 계획하는 다중 경로계획 방법에 있어서,

로봇이 작업하는 공간에 대한 지도를 생성하는 지도 생성단계(S100)와;

상기 생성된 지도를 로봇의 특성을 고려하여 그리드 크기를 설정하여 그리드 지도로 변환시키고, 작업 공간의 장애물에 대하여 그리드에 맞춰 사각 형태의 장애물로 변환시키는 지도 변환단계(S200)와;

상기 변환된 지도를 바탕으로 로봇들에 대한 경로계획을 수행하는 경로계획단계(S300) 및;

다수의 로봇이 작업하는 동안 교착 및 충돌이 발생하는 것을 해결하기 위하여 상기 계획된 경로를 수정하는 충돌회피단계(S400)를 포함하여 구성된 것을 특징으로 하는 실제 로봇의 다중 경로계획 방법.
제1항에 있어서, 상기 지도 변환단계에서 장애물의 형태를 사각 형태로 변환시킨 후, 장애물들에 로봇의 장축(L)에 해당하는 크기만큼 영역(E)을 확장하고, 상기 영역 중 여러 대의 로봇이 동시에 이동할 수 없는 경고영역(WA)과, 로봇이 이동할 수 없는 영역(NA)을 분류하는 것을 특징으로 하는 실제 로봇의 다중 경로계획 방법.
제1항에 있어서, 상기 경로계획단계(S300)는, 로봇의 현재 위치(P₁)에서 목표 위치(P₂)로 이어진 직선에 법선으로 로봇이 이동할 수 있는 후보 경유 지점(P₃)들을 생성하는 단계와;

삭제 연산자를 사용하는 수정된 유전자 알고리즘을 이용하여 최적화된 경로를 생성하는 단계를 포함하여 구성된 것을 특징으로 하는 실제 로봇의 다중 경로계획 방법.
제3항에 있어서, 상기 후보 경유 지점(P₃)들을 생성하기 위한 법선들은 로봇의 제어 특성인 최소 회전 반경 크기와 대응하는 간격(D1)으로 생성되고, 법선의 크기(D2)는 지도 상의 장애물 중 가장 큰 장애물의 장축의 길이의 적어도 1배 이상의 크기로 생성되는 것을 특징으로 하는 실제 로봇의 다중 경로계획 방법.
제3항에 있어서, 상기 수정된 유전자 알고리즘은,

생성된 후보 경유 지점(P₃)들을 이진 스트링(binary string)으로 코딩된 집단(population)으로 구성하고, 유전자 알고리즘의 파라미터들을 설정하는 초기화 단계(S311)와;

적합도를 계산하는 단계(S312)와;

후보 경유 지점(C₀) 및 경로(R₀)를 생성한 다음, 삭제 연산자를 사용하여 확 률적으로 후보 경유 지점(C₁)을 선택하고, 2단계 전에 후보 경유 지점 사이에 장애물이 존재하는지 체크하여 장애물이 존재하지 않는다면, 1단계 전의 후보 경유 지점(C₂)을 삭제하고 최적화된 경로(R₁)를 생성하는 연산자 사용 단계(S313)와;

생성된 경로가 장애물에 부딪치는지를 체크하는 충돌 체크 단계(S330)와;

유전자 알고리즘의 개체수에 따른 연산이 끝났는지를 확인하는 단계(S314)를 포함하는 것을 특징으로 하는 실제 로봇의 다중 경로계획 방법.
제5항에 있어서, 상기 충돌 체크 단계(S330)는 뉴럴-네트워크 모델(neural-network model)을 이용하는 것을 특징으로 하는 실제 로봇의 다중 경로계획 방법.
제1항에 있어서, 상기 충돌회피단계(S400)는,

두 로봇의 거리 D_r를 계산하는 단계와;

계산된 두 로봇 간의 거리(D_r)가 설정 거리 T 안에 들어올 경우, 충돌회피 퍼지 전문가 시스템에 입력을 주어 충돌 회피 계획을 수행하는 단계를 포함하여 구성된 것을 특징으로 하는 실제 로봇의 다중 경로계획 방법.
제7항에 있어서, 상기 퍼지 전문가 시스템에서 로봇(A)의 현재 지점과 다음 경유 지점(P4)과의 각도(α)와, 로봇의 현재 지점과 목적 지점(P5)과의 각도(β) 차이값을 퍼지 전문가 시스템의 입력으로 하는 것을 특징으로 하는 실제 로봇의 다 중 경로계획 방법.
제8항에 있어서, 상기 퍼지 전문가 시스템에서 로봇의 다음 경유 지점을 변경하기 위한 변경 각도 값을 출력으로 하는 것을 특징으로 하는 실제 로봇의 다중 경로계획 방법.