KR20120013057A

KR20120013057A - 로봇 경로 제어 방법 및 장치

Info

Publication number: KR20120013057A
Application number: KR1020100075214A
Authority: KR
Inventors: 전홍태; 최인찬; 하상형; 김현성
Original assignee: 중앙대학교 산학협력단
Priority date: 2010-08-04
Filing date: 2010-08-04
Publication date: 2012-02-14
Also published as: KR101220542B1

Abstract

본 발명은 로봇이 이동하는 경로를 제어하는 방법 및 장치에 관한 것으로, 보다 상세하게는 환경 지도를 기초로 상기 로봇을 위한 최단 경로 탐색을 수행하여 상기 로봇의 이동 경로를 계획하는 로봇 경로 제어 방법 및 장치에 관련된다. 본 발명의 일부 실시예에 의하면, 자율적인 이동 로봇의 최적 경로 계획을 함에 있어 기존의 방식보다 빠르고 안정되게 경로를 계획할 수 있다. 특히, 본 발명의 일부 실시예는 휴리스틱 접근법을 이용하는 지오메트리 미로 라우팅 알고리즘(Geometry Maze Routing Algorithm)을 적용하여 최적 경로를 탐색할 수 있고, 돌연변이 및 교배 연산하여 최단 경로를 탐색할 수 있다.

Description

로봇 경로 제어 방법 및 장치{METHOD AND APPARATUS FOR PATH PLANNING OF AUTONOMOUS MOBILE ROBOT}

본 발명은 로봇이 이동하는 경로를 제어하는 방법 및 장치에 관한 것으로, 보다 상세하게는 환경 지도를 기초로 상기 로봇을 위한 최단 경로 탐색을 수행하여 상기 로봇의 이동 경로를 계획하는 로봇 경로 제어 방법 및 장치에 관련된다.

과거 산업 현장에서 응용되고 있는 대부분의 로봇은 매니플레이터(manipulator) 방식으로서 한정된 공간 안에서 제한된 작업을 수행하였다. 그러나, 최근 들어 로봇은 산업 현장뿐만 아니라 병원, 사무실, 가정, 전시장과 같은 여러 환경에서 각각의 목적에 맞는 기능을 수행하고 있다.

로봇은 넓은 활동 범위를 수용하고 작업 환경의 변화에 능동적으로 대처할 수 있어야 한다. 즉, 작업 공간의 제한성을 해결하고 더 많은 작업 능력을 갖기 위하여 자율 로봇(autonomous mobile robot)에 대한 필요성이 높아지고 있고 이와 관련된 여러 가지 연구가 진행되고 있다.

상기 자율 로봇의 지능화란 어떤 임무가 주어졌을 때 자기 스스로 감지기(sensor)로 주변의 환경과 자신의 위치나 상태를 파악해서 이동하고자하는 경로 계획(path planning)을 해야 한다. 그리고 이러한 경로는 주행 시간, 소모되는 에너지, 안정성에 대한 고려가 되어야 하고 계산된 경로를 따라가기 위한 경로 추종(path tracking) 제어기가 필요하다.

또한, 경로 계획은 크게 두 부분으로 나뉘어지는데 먼저 오프라인(off-line)으로 이미 알려진 환경의 지도나 모델을 이용하는 광역 경로 계획(global path planning)과 실시간으로 바뀌어가는 환경에 적응하기 위해 온라인(on-line)으로 상황을 판단하는 국지적 경로 계획(local path planning)이 있다.

또한, 상기 로봇을 실용화하기 위해서는 상기 로봇의 위치 추정 및 장애물 회피를 위한 경로 계획 그리고 센서를 이용한 제어 기술이 요구된다. 경로 계획은 장애물이 존재하는 작업 환경 내에서 상기 로봇의 위치로부터 목표점까지 장애물을 피해 최적 경로로 이동하는 것에 목적이 있다. 이러한 목적을 이루기 위해서, 상기 로봇은 외부에서 획득한 환경 정보를 통해 최적의 광역 경로를 계획할 수 있어야 하며, 장애물이 존재할 경우에는 지역 경로를 작성하여 장애물을 회피할 수 있는 효과적인 회피 알고리즘이 필요하다.

본 발명은 로봇의 이동 경로를 생성함에 있어 최단 경로 탐색을 수행할 수 있는 로봇 경로 제어 방법 및 장치를 제공하는 데 목적이 있다.

본 발명은 실시간으로 발생되는 새로운 고정 장애물이나 동적 장애물에 대처할 수 있는 로봇 경로 제어 방법 및 장치를 제공하는 데 목적이 있다.

본 발명의 일 측면에 의하면, 로봇이 이동하는 경로를 제어하기 위한 장치에 있어서, 환경 지도를 기초로 시작 지점에서 목표 지점까지의 노드들을 포함하는 이동 경로를 생성하는 경로 생성부와, 상기 노드들의 위치 속성을 마이크로 유전자 알고리즘에 따라서 돌연변이 및 교배 연산하고, 상기 돌연변이 및 상기 교배 연산된 위치 속성에 기초하여 상기 로봇의 상기 이동 경로를 재설정하는 경로 재설정부를 포함하는 로봇 경로 제어 장치를 제공한다.

또한, 본 발명의 다른 측면에 의하면, 로봇이 이동하는 이동 경로를 제어하기 위한 장치에 있어서, 상기 이동 경로 내 노드들을 이용하여 초기 개체의 집단을 생성하고, 마이크로 유전자 알고리즘을 위한 돌연변이를 생성하는 초기 설정부와, 상기 생성된 돌연변이를 이용하여 상기 초기 개체의 집단에 속한 노드들의 위치 속성을 다중 교배 연산하는 유전자 연산부와, 상기 로봇이 위치한 지도 공간에서 상기 다중 교배 연산된 위치 속성의 노드들 중 미리 설정된 적합도를 만족하는 노드들을 선별하고, 상기 선별된 노드들로 상기 이동 경로를 재설정하는 재설정 처리부를 포함하는 로봇 경로 제어 장치를 제공한다.

또한, 본 발명의 또 다른 측면에 의하면, 로봇이 이동하는 경로를 제어하는 방법에 있어서, 환경지도를 기초로 시작 지점에서 목표 지점까지의 노드들을 포함하는 이동 경로를 생성하는 단계와, 상기 노드들의 위치 속성을 마이크로 유전자 알고리즘에 따라서 돌연변이 및 교배 연산하고, 상기 돌연변이 및 상기 교배 연산된 위치 속성에 기초하여 상기 로봇의 상기 이동 경로를 재설정하는 단계를 포함하는 로봇 경로 제어 방법을 제공한다.

또한, 본 발명의 또 다른 측면에 의하면, 마이크로 유전자 알고리즘에 따라서 돌연변이를 생성하는 단계와, 상기 생성된 돌연변이 및 상기 노드들의 상기 위치 속성을 이동하여 다중 교배 연산하는 단계와, 상기 다중 교배 연산된 위치 속성의 노드들 중 미리 설정된 적합도(fitness)를 만족하는 노드들을 선별하는 단계와, 상기 이동 경로를 상기 선별된 노드들로 재설정하는 단계를 포함하는 로봇 경로 제어 방법을 제공한다.

본 발명의 일부 실시예에 의하면, 자율적인 이동 로봇의 최적 경로 계획을 함에 있어 기존의 방식보다 빠르고 안정되게 경로를 계획할 수 있다.

특히, 본 발명의 일부 실시예는 휴리스틱 접근법을 이용하는 지오메트리 미로 라우팅 알고리즘(Geometry Maze Routing Algorithm)을 적용하여 최적 경로를 탐색할 수 있고, 돌연변이 및 교배 연산하여 최단 경로를 탐색할 수 있다.

또한, 상기 이동 로봇의 충돌 회피를 위한 퍼지 알고리즘을 수행하여 실시간으로 발생되는 새로운 고정 장애물이나 동적 장애물에 대처할 수 있다.

도 1은 본 발명의 일 실시예에 따른 로봇 경로 제어 방법을 수행하는 로봇 경로 제어 장치의 구성을 설명하기 위한 도면.
도 2는 도 1의 로봇 경로 제어 장치에 의해 이용되는 퍼지 환경지도를 설명하기 위한 도면.
도 3a 및 도 3b는 종래의 마이크로 유전자 알고리즘 및 개선된 마이크로 유전자 알고리즘간의 차이를 설명하기 위한 도면.
도 4는 본 발명에 따른 로봇 경로 제어 장치의 또다른 실시예로서, 도 1에 도시된 경로 재설정부의 구성을 설명하기 위한 도면.
도 5는 도 1에 도시된 경로 생성부에 의해 생성된 이동 경로 내 노드들의 위치 속성이 2차원상의 좌표로 표현된 것을 보여주는 도면.
도 6a 및 6b는 도 1의 이동 처리부에 의한 퍼지 알고리즘의 언어적인 변수 및 퍼지 룰 베이스를 설명하기 위한 도면.
도 7 및 8은 본 발명의 다른 실시예에 따른 로봇 경로 제어 방법을 보여주는 도면.
도 9, 도 10 및 도 11은 본 발명의 다른 실시예에 따른 로봇 경로 제어 방법에서 이용되는 환경지도를 이용한 시뮬레이션 결과를 설명하기 위한 도면.
도 12는 본 발명의 또 다른 실시예에 따른 로봇 경로 제어 방법을 보여주는 도면.
도 13은 본 발명의 또 다른 실시예에 따른 로봇 경로 제어 방법을 보여주는 도면.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 로봇 경로 제어 방법을 수행하는 로봇 경로 제어 장치(100)의 구성을 보여주는 구성 블록도이다.

본 발명에 따른 로봇 경로 제어 장치(100)는 상기 로봇에 일부로서 탑재되거나 또는 분리 설치되어 동작할 수 있다. 로봇 경로 제어 장치(100)가 상기 로봇에 분리 설치된 경우, 로봇 경로 제어 장치(100)는 상기 로봇과 통신하면서 상기 로봇의 경로 설정 및/또는 동작 제어할 수 있다. 일례로서, 본 발명에 따른 로봇 경로 제어 장치(100)는 프로세서, 메모리, 통신용 모뎀, 및 사용자 인터페이스를 포함하여 구현될 수 있다.

도 1을 참조하면, 로봇 경로 제어 장치(100)는 광역 경로 계획(global path planning)을 수립하기 위하여, 환경지도를 기초로 미리 정의된 고정 장애물을 수용하여 최적 경로를 탐색한다.

본 발명에 따른 환경지도는 퍼지 환경지도(Fuzzy-based environment Map)로 구현되어, 상기 로봇이 위치한 지도 공간 내의 장애물에 대한 방향 및 거리를 표시하는 특징점을 포함하고, 상기 특징점은 퍼지 멤버쉽(Fuzzy Membership)을 가질 수 있다. 특히, 상기 퍼지 환경지도는 토폴로지컬 환경지도(Topological Map)와 격자 기반 환경지도(Lattice-based Map)의 장점을 가지는 환경지도로서 토폴로지컬 환경지도처럼 간결한 공간 표현과 격자 기반 환경지도와 같이 환경의 기하학적 정보를 포함하는 형태로 구현될 수 있다. 상기 퍼지 환경지도는 토폴로지컬 환경지도에서의 특징점과 같은 노드를 포함한다. 각 노드는 격자 기반 환경지도상 모서리 특징점 또는 곡면 특징점들을 포함하고, 각각의 특징점들은 장애물에 대한 방향 및 장애물과의 거리를 나타내는 퍼지 멤버십을 가질 수 있다. 또한 각각의 특징점들은 서로 링크되어 있고, 각각의 링크는 특징점들 간의 거리정보를 포함할 수 있다.

로봇 경로 제어 장치(100)는 경로 생성부(110) 및 경로 재설정부(120)를 포함한다.

경로 생성부(110)는 상기 환경 지도를 기초로 시작 지점에서 목표 지점까지의 노드들을 포함하는 이동 경로를 생성한다. 이때, 경로 생성부(110)는 상기 로봇의 이동 경로를 생성하기 위해, λ-지오메트리 미로 라우팅 알고리즘(λ-geometry MRA,λ-geometry maze routing algorithm)을 이용할 수 있다.

나아가, 상기 λ-geometry MRA에서는 λ의 값이 커질수록 선택 가능한 셀의 방향이 두 배가 되고 얻어진 경로가 보다 부드러워지지만 계산에 필요한 실행 시간도 거의 두 배가 되기 때문에, 가장 적절하다고 판단되는 8-geometry를 사용하기로 한다. 또한, 상기 λ-geometry MRA는 휴리스틱(heuristic) 접근법을 사용할 수 있다.

즉, 경로 생성부(110)는 상기 시작 지점에서 상기 목표 지점까지의 거리에 휴리스틱 평가 함수(heuristic evaluation function)를 적용하고, 상기 적용 결과, 적합도가 최소인 노드들의 리스트를 상기 이동 경로로 생성할 수 있다. 이때, 상기 생성된 이동 경로는 광역 경로 계획의 결과로, 중간 기착 지점들의 경로 리스트이다. 상기 경로 리스트를 통해, 상기 로봇은 주행 중에 고정 장애물과의 충돌을 피하고 안정된 경로로 이동할 수 있다.

경로 재설정부(120)는 개선된(modified) 마이크로 유전자 알고리즘(micro-GA, micro genetic algorithm)을 이용하여 효율적으로 최단 경로로 탐색한다. 경로 재설정부는 상기 개선된 마이크로 유전자 알고리즘을 기초로, 상기 노드들의 위치 속성을 상기 개선된 마이크로 유전자 알고리즘에 따라서 돌연변이(mutation) 및 교배 연산(crossover)하고, 상기 돌연변이 및 상기 교배 연산된 위치 속성에 기초하여 상기 로봇의 상기 이동 경로를 재설정한다. 이때, 상기 경로 재설정부(120)는 상기 교배 연산이 진행됨에 따라 상기 돌연변이의 강도를 점차 줄이는 비균등 돌연변이를 이용할 수 있다.

본 발명에 따른 또다른 실시예로서, 로봇 경로 제어 장치(100)는 이동 처리부(130)를 더 포함할 수 있다. 즉, 로봇 경로 제어 장치(100)는 이동 처리부(130)를 이용하여, 국지적 경로 계획 방식을 기초로, 실시간으로 바뀌는 상황에 적응하여 충돌을 회피하기 위하여 상기 로봇의 이동 경로를 온라인으로 재설정할 수 있다.

이동 처리부(130)는 로봇 경로 제어 장치(100)의 상기 최적 경로의 탐색 결과인 상기 재설정된 이동 경로를 기초로, 상기 로봇이 목적지까지 경로를 추종한다. 그리고, 이동 처리부(130)는 실시간으로 발생되는 새로운 고정 장애물이나 동적 장애물에 대처할 수 있는 국지적 경로계획을 퍼지 알고리즘을 이용하여 수행한다.

다시 말해서, 이동 처리부(130)는 경로 재설정부(120)에 의해 상기 재설정된 이동 경로로 상기 로봇의 위치를 이동시키고, 상기 로봇과 장애물이 이루는 각도, 상기 환경 지도에서의 장애물에 대한 퍼지 멤버쉽, 및 상기 장애물과 상기 로봇간의 상대속도를 이용하여 상기 로봇의 충돌을 회피하기 위한 퍼지 알고리즘을 수행하고, 상기 수행 결과를 기초로 상기 로봇의 조향각 및 주행 속도를 제어한다.

여기서, 상기 퍼지 알고리즘은 상기 로봇의 충돌 회피 문제를 해결하고 실시간으로 최적 경로를 추종하기 위하여, 상기 로봇의 조향 각과 주행 속도를 결정하고, 결정된 조향 각 및 주행 속도로 상기 로봇을 제어할 수 있다.

도 2는 로봇 경로 제어 장치(100)에 의해 이용되는 상기 퍼지 환경지도를 설명하기 위한 도면이다.

도 2를 참조하면, 상기 퍼지 환경지도는 다수의 특징점 노드들을 포함하며, 상기 노드들은 노드 연결 링크에 의해 연결될 수 있다. 그리고, 상기 노드 연결 링크는 이후 설명되는 최단 경로 계산에 이용된다.

또한, 상기 퍼지 환경지도는 상기 노드 연결 링크를 경계로, 안전 공간(A)과 충돌 위험 공간(B)으로 분류될 수 있다. 특히, 장애물(10)과의 거리를 나타내는 퍼지 멤버십의 최대 범위는 상기 로봇의 센서 범위 내로 설정되며, 좁은 공간에서의 퍼지 멤버십의 최소 범위는 상기 로봇의 진행 폭 범위 밖으로 설정될 수 있다.

상기 퍼지 환경지도에서는 격자 기반 환경지도와는 달리 토폴로지컬 환경지도의 특징점 노드 및 링크를 환경지도에 표시한다. 따라서, 상기 퍼지 환경지도는 격자 기반 환경지도의 단점인 저장 공간의 낭비를 피할 수 있으며, 경로 계산에 소요되는 시간이나 자원을 절약할 수 있다. 상기 퍼지 환경지도가 일반적인 토폴로지컬 환경지도와 다른 점은 주변 장애물에 대한 정보를 환경지도에서 퍼지 멤버십으로 표현하기 때문에, 좀 더 정밀한 환경 표현이 가능하고, 주행 중 고정 장애물에 대한 예측을 할 수 있다.

도 3a 및 도 3b는 종래의 마이크로 유전자 알고리즘 및 상기 종래의 마이크로 유전자 알고리즘을 개선시킨 알고리즘('이하, '개선된 마이크로 유전자 알고리즘'이라 칭함)간의 차이를 설명하기 위한 도면이다. 도 3a는 종래의 마이크로 유전자 알고리즘을 보여주고, 도 3b는 본 발명에 따른 개선된 마이크로 유전자 알고리즘을 보여준다.

종래의 마이크로 유전자 알고리즘은 Goldberg에 의해 기본적인 이론이 제시되었고, Krishnakumar에 의해 해가 조기에 수렴되는 것을 피하고 매우 작은 집단을 운용하면서 최적해로 수렴하는 방법이 제안된 바 있다. 특히, 종래의 마이크로 유전자 알고리즘은 돌연변이 연산을 배제하는 대신 재생산(Reproduction)과 교배율을 1.0으로 하여 모든 개체가 교배 연산을 수행하도록 하여 다양한 탐색을 할 수 있다.

도 3a를 참조하면, 종래의 마이크로 유전자 알고리즘은 토너먼트의 선택(Tournament Selection)을 수행하여, 모집단으로부터 결정된 수의 개체를 무작위로 선택하고, 그 중에서 적합도가 높은 개체를 다음 세대로 넘기는 과정을 정해진 수의 개체가 선택될 때까지 반복 선택한다.

다시 말해서, 단계(301)는 초기 개체(Initial Population)들을 생성 혹은 선정하고, 단계(302)는 상기 획득된 초기 개체들의 속성값을 기초로 토너먼트 선택, 즉 무작위 선택을 수행하여 후보 개체를 선택(selection)한다. 단계(303)는 상기 결정된 후보 개체의 속성을 교배(crossover) 연산한다. 단계(304)는 상기 교배 연산된 속성의 후보 개체에 대한 적합도(fitness)를 평가하고, 단계(305)는 상기 적합도가 평가된 후보 개체가 수렴(convergence)되었는 지를 판단한다. 단계(305)에 의해, 상기 수렴된 것으로 판단되면, 단계(306)는 상기 평가된 후보 개체를 대상 개체로 선택한다. 그리고, 단계(307)는 단계(306)에 의해 미리 설정된 n개의 대상 개체가 모두 선택되었는 지를 판단하고, 상기 n개의 대상 개체가 모두 선택된 경우 종료한다. 그리고, 상기 n개의 대상 개체가 모두 선택되지 않은 경우, 단계(308)는 랜덤 재생산(random reproduction)을 수행하고, 상기 재생산된 개체를 상기 후보 개체로서 단계(303)로 전달한다.

결과적으로, 종래의 마이크로 유전자 알고리즘은 상기 토너먼트 선택을 이용하여 모집단에서 무작위로 임의의 일정 개체(일반적으로 2개)를 추출하고, 상기 추출된 일정 개체 중에서 적합도가 우수한 개체를 대상 개체로 선택한다. 상기의 과정을 반복하여 상기 대상 개체가 n개로 모두 선택될 때까지 반복한다. 이때, 중복되는 개체도 허용될 수 있다.

그러나, 종래의 마이크로 유전자 알고리즘은 많은 개체를 운용할수록 최적값을 안정적으로 구할 수는 있지만, 개체 수만큼의 구조해석 횟수가 필요하기 때문에 세대가 거듭될수록 연산량이 증가하고, 최적 해를 구하는 데 많은 시간이 소요될 수 있다.

도 3b를 참조하면, 본 발명에 따른 개선된 마이크로 유전자 알고리즘이 종래의 마이크로 유전자 알고리즘에서의 재생산(reproduction) 및 공칭 수렴에 관련된 동작들을 수행하지 않고, 경로의 중간 경유지를 줄이기 위한 돌연변이(mutation)를 사용할 수 있다.

또한, 상기 개선된 마이크로 유전자 알고리즘은 상기 돌연변이를 사용할 때, 일반적으로 상기 돌연변이의 비율을 낮게 설정하여 진화되도록 한다. 그러나, 본 발명에서는 상기 돌연변이가 상기 이동 경로 내 노드들을 효과적으로 삭제하는 중요한 변수이다. 따라서, 본 발명의 일 실시예에서는 돌연변이의 비율을 40%로 초기 설정하여 진화가 이루어지도록 한다. 또한, 상기 개선된 마이크로 유전자 알고리즘이 진행에 있어 돌연변이가 강하면 품질 향상이 어렵기 때문에, 상기 개선된 마이크로 유전자 알고리즘이 진행에 따라 점차적으로 돌연변이 강도를 줄여나가는 비균등 돌연변이(non-uniform mutation) 방식을 적용할 수 있다.

단계(311)는 초기 개체(initial population)를 획득하고, 단계(312)는 돌연변이를 생성한다. 단계(313)는 상기 생성된 돌연변이를 이용하여 상기 초기 개체의 속성을 이용하여 다중 교배 연산(multiple crossover)을 수행한다. 단계(314)는 상기 다중 교배 연산이 수행된 개체의 적합도(fitness)를 평가한다. 단계(315)는 상기 평가된 적합도가 기준치 이상인 지를 판단하고, 상기 평가된 적합도가 기준치 이상인 경우, 단계(316)는 상기 기준치 이상의 적합도를 가진 개체를 상기 대상 개체로 선택한다. 단계(317)는 단계(316)에 의해 미리 설정된 개수의 대상 개체가 모두 선택되었는 지를 판단하고, 모두 선택된 경우, 상기 개선된 마이크로 유전자 알고리즘의 동작을 종료한다.

결과적으로, 상기 개선된 마이크로 유전자 알고리즘은 종래의 재생산 동작을 수행하지 않고, 다중 교배 방식을 수행한다. 상기 다중 교배 방식은 n개의 교배점이 존재함으로써, 다양한 스키마 생성이 가능하고 다수의 지역 최적화 기능 및 교란에 대한 회복력이 강할 수 있다.

도 4는 본 발명에 따른 로봇 경로 제어 장치의 또다른 실시예로서, 도 1에 도시된 경로 재설정부(120)의 구성을 설명하기 위한 도면이다.

도 4를 참조하면, 경로 재설정부(120)는 마이크로 유전자 알고리즘을 적용한다. 즉, 경로 재설정부(120)는 상기 노드들의 위치 속성을 상기 마이크로 유전자 알고리즘에 따라서 돌연변이 및 교배 연산하고, 상기 돌연변이 및 상기 교배 연산된 위치 속성에 기초하여 상기 로봇의 상기 이동 경로를 재설정한다. 나아가, 경로 재설정부(120)는 상기 위치 속성을 다중 교배(multiple crossover) 연산하고, 상기 다중 교배 연산된 위치 속성의 노드들 중 미리 설정된 적합도(fitness)를 만족하는 노드들을 선별하고, 상기 이동 경로를 상기 선별된 노드들로 재설정할 수도 있다.

경로 재설정부(120)는 위치 기반 부호화(locus-based encoding) 방식을 기초로, 상기 노드들의 위치 속성을 각각의 유전자의 속성으로 설정한다. 여기서, 밀접한 관계를 갖는 노드들이 염색체 상에서 비교적 가까운 위치에 자리하여 교배 연산 시 중요한 스키마의 생존 확률을 높일 가능성이 많기 때문이다.

도 5는 상기 이동 경로의 상기 노드들의 위치 속성이 2차원상의 좌표(500)로 표현된 것을 보여준다. 그리고, 상기 이동 경로는 λ-geometry MRA에 의해 이미 탐색된 경로이기 때문에, 동일한 유전자를 가지는 10개의 집단을 생성하여 초기 개체의 집단으로 사용할 수 있다. 이후, 경로 재설정부(120)의 상기 마이크로 유전자 알고리즘에 의하여, 상기 초기 개체의 집단에서 불필요한 노드들이 삭제되어, 최단 경로 탐색이 이루어진다.

나아가, 경로 재설정부(120)는 도 4에 도시한 바와 같이 초기 설정부(121), 유전자 연산부(122), 및 재설정 처리부(123)를 포함할 수 있다.

초기 설정부(121)는 상기 마이크로 유전자 알고리즘을 위한 돌연변이를 생성한다. 또한, 초기 설정부(121)는 상기 다중 교배 연산이 진행됨에 따라, 비균등 돌연변이 방식을 기초로 상기 돌연변이의 강도를 점차 줄여서 설정할 수 있다.

유전자 연산부(122)는 상기 생성된 돌연변이를 이용하여 로봇의 이동 경로 내 노드들의 위치 속성을 다중 교배 연산한다.

재설정 처리부(123)는 상기 로봇이 위치한 지도 공간에서 상기 다중 교배 연산된 위치 속성의 노드들 중 미리 설정된 적합도를 만족하는 노드들을 선별한다. 그리고, 재설정 처리부(123)는 상기 선별된 노드들로 상기 이동 경로를 재설정한다.

한편, 도 1의 이동 처리부(130)는 상기 재설정된 이동 경로로 상기 로봇의 위치를 이동시키고, 상기 퍼지 알고리즘을 수행하고 상기 로봇의 충돌을 회피시킨다.

여기서, 상기 퍼지 알고리즘의 구현을 위해서는 상기 로봇의 주행시 환경을 인식하기 위해 측정되는 입력 변수및 상기 퍼지 알고리즘에 의해 출력되는 출력 변수를 언어적인 변수로 나타내는 퍼지화 과정이 필요하다. 이러한 퍼지화 과정을 위하여, 본 실시예의 이동 처리부(130)는 삼각형 형태의 멤버십 함수를 이용하고, 도 6a에 도시된 바와 같은 언어적인 변수를 이용할 수 있다.

도 6a를 참조하면, 상기 퍼지 알고리즘의 LPP(local path planner)의 입력 변수는 상기 로봇과 장애물이 이루는 각(RB, RS, ZO, LS, LB), 퍼지 환경지도에서의 장애물 퍼지 멤버십(NR, RF), 장애물과 로봇간의 상대속도(NR, EM)가 될 수 있다. 또한, 상기 LPP의 출력치는 로봇의 조향 각도(RB, RS, ZO, LS, LB)와 주행 속도(SL, ME, FA)가 될 수 있다.

도 6b는 도 6a에 도시된 상기 언어적인 변수를 이용하는 퍼지 룰 베이스(fuzzy rule base)의 실시예를 보여준다. 도 6b를 참조하면, 상기 로봇과 장애물이 이루는 각(RB, RS, ZO, LS, LB), 상기 장애물 퍼지 멤버십(NR, RF), 상기 상대속도(NR, EM)에 따라서, 상기 조향 각도(RB, RS, ZO, LS, LB) 및 상기 주행 속도(SL, ME, FA)가 출력되는 과정을 볼 수 있다.

도 7은 본 발명의 다른 실시예에 따른 로봇 경로 제어 방법을 보여주는 도면이다.

도 7을 참조하면, 단계(700)는 상기 환경지도를 기초로 시작 지점에서 목표 지점까지의 노드들을 포함하는 이동 경로를 생성한다.

특히, 단계(700)는 상기 로봇의 이동 경로를 생성하기 위해, λ-geometry MRA(maze routing algorithm)을 이용할 수 있다. 상기 λ-geometry MRA에서는 λ의 값이 커질수록 선택 가능한 셀의 방향이 두 배가 되고 얻어진 경로가 보다 부드러워지지만 계산에 필요한 실행 시간도 거의 두 배가 되기 때문에, 가장 적절하다고 판단되는 8-geometry를 사용하기로 한다. 또한, 상기 λ-geometry MRA는 휴리스틱(heuristic) 접근법을 사용할 수 있다.

단계(700)는 도 8에 도시된 바와 같이 다수의 단계를 포함할 수 있다.

도 8을 참조하면, 단계(701)는 상기 시작 지점에서 상기 목표 지점까지의 거리에 휴리스틱 평가 함수를 적용한다. 그리고, 단계(702)는 적합도가 최소인 노드들의 리스트를 상기 이동 경로로 생성한다.

이때, 상기 환경지도는 퍼지 환경지도로 구현되어, 상기 로봇이 위치한 지도 공간 내의 장애물에 대한 방향 및 거리를 표시하는 특징점을 포함하고, 상기 특징점은 퍼지 멤버쉽을 갖을 수 있다.

도 9는 상기 환경지도를 이용한 시뮬레이션 결과를 설명하기 위한 도면이다.

도 9를 참조하면, 시뮬레이션 결과(900)는 종래의 격자기반 환경지도를 이용하여 광역 경로 계획을 수립한 경우의 결과를 보여주고, 시뮬레이션 결과(901)는 상기 퍼지 환경지도를 이용하여 단계(700) 또는 단계(701, 702)의 동작 결과를 보여준다. 여기서, ○는 상기 로봇의 상기 시작 지점이고, ●는 상기 로봇의 상기 목표 지점이다.

시뮬레이션 결과(900)는 상기 격자 기반 환경 지도에서의 경로가 계획됨에 따라, 고정 장애물과의 충돌부분에 대한 부분을 고려하지 않았기 때문에, 이동 로봇이 통과할 수 없는 좁은 공간(예컨데, 장애물간의 좁은 통로)으로도 경로가 탐색될 수 있다.

반면, 시뮬레이션 결과(901)는 상기 퍼지 환경지도에서 상기 고정 장애물과의 일정거리내의 부분을 충돌 위험 공간으로 선정하고 상기 충돌 위험 공간을 배제하여 경로를 계획하기 때문에, 상기 고정 장애물과의 충돌을 회피하고 보다 최적의 경로를 탐색할 수 있다.

한편, 도 7의 단계(710)는 단계(700)에 의해 상기 이동 경로로 생성된 노드들의 위치 속성을 마이크로 유전자 알고리즘에 따라서 돌연변이 및 교배 연산한다. 특히, 단계(710)는 단계(700)에 의해 상기 이동 경로로 생성된 노드들을 이용하여 동일한 유전자를 가지는 다수 개(이를 테면, 10개)의 집단을 생성하고, 초기 개체의 집단으로 선정한다. 그리고, 단계(710)는 마이크로 유전자 알고리즘에 따라서 돌연변이를 생성한 후, 상기 생성된 돌연변이 및 상기 초기 개체의 집단을 이용하여 다중 교배(multiple crossover) 연산할 수 있다.

단계(720)는 상기 돌연변이 및 상기 교배 연산된 위치 속성에 기초하여 상기 로봇의 상기 이동 경로를 재설정한다. 특히, 단계(720)는 상기 다중 교배 연산된 위치 속성의 노드들 중 미리 설정된 적합도(fitness)를 만족하는 노드들을 선별하여, 상기 이동 경로로 재설정할 수 있다.

도 10 및 11은 도 7의 단계(710 및 720)의 시뮬레이션 결과를 설명하기 위한 도면이다.

도 10을 참조하면, 시뮬레이션 결과(910, 920, 930)는 단계(700)-특히, λ-geometry MRA-에 의해 생성된 이동 경로를 보여주고, 시뮬레이션 결과(911, 921. 931)는 단계(700)뿐 아니라 단계(710 및 720)-특히, micro-GA-가 더 수행됨에 따라 재설정된 이동 경로를 보여준다.

결과적으로, 상기 재설정된 이동 경로는 단계(700)에 의해 생성된 최적 경로의 이동 경로가 최단 경로로 업그레이드된 것을 볼 수 있다.

도 11을 참조하면, 단계(700)-특히, λ-geometry MRA-에 의해 생성된 이동 경로의 중간 경유지 수 및 실제 거리를 측정한 예시를 보여주고, 단계(700)-특히, λ-geometry MRA- 및 단계(710 및 720)-특히, micro-GA-에 의해 생성된 이동 경로의 중간 경유지 수 및 실제 거리를 측정한 예시를 보여준다.

결과적으로, 각각의 예시에 있어서, 단계(700) 및 단계(710 및 720)에 따른 중간 경유지 수 및 실제 거리는 단계(700)에 따른 중간 경유지 수 및 실제 거리와 비교하여 현저히 줄어든 것을 볼 수 있다.

나아가, 상기 도 7의 로봇 경로 제어 방법은 도 12에 도시된 다수의 단계가 더 수행될 수 있다.

도 12를 참조하면, 단계(730)는 상기 재설정된 이동 경로로 상기 로봇의 위치를 이동시킨다.

단계(740)는 상기 로봇과 장애물이 이루는 각도, 상기 환경 지도에서의 장애물에 대한 퍼지 멤버쉽, 및 상기 장애물과 상기 로봇간의 상대속도를 이용하여 상기 로봇의 충돌을 회피하기 위한 퍼지 알고리즘을 수행한다.

여기서, 상기 퍼지 알고리즘은 상기 로봇의 충돌 회피 문제를 해결하고 실시간으로 최적 경로를 추종하기 위하여, 상기 로봇의 조향 각과 주행 속도를 결정할 수 있다. 이러한 퍼지 알고리즘의 구현을 위하여, 상기 로봇의 주행시 환경을 인식하기 위해 측정되는 입력 변수및 상기 퍼지 알고리즘에 의해 출력되는 출력 변수를 언어적인 변수로 나타내는 퍼지화 과정이 필요하다. 상기 퍼지화 과정을 위하여, 단계(740)는 삼각형 형태의 멤버십 함수를 이용할 수 있다. 상기 언어적인 변수 및 상기 언어적인 변수를 이용한 퍼지 룰 베이스는 도 6a 및 도6b와 같이 구현될 수 있다.

단계(750)는 단계(740)의 상기 퍼지 알고리즘의 수행 결과를 기초로 상기 로봇의 조향각 및 주행 속도를 제어한다.

결과적으로, 상기 로봇은 상기 퍼지 알고리즘의 수행 결과에 대응하여 제어됨에 따라, 실시간으로 발생되는 새로운 고정 장애물이나 동적 장애물에 대처할 수 있다.

도 13은 본 발명의 또 다른 실시예에 따른 로봇 경로 제어 방법을 보여주는 도면이다. 도 13에서는 개선된 마이크로 유전자 알고리즘을 이용한 로봇 경로 제어 방법이 제시된다. 도 13을 참조하면, 단계(1300)는 상기 로봇을 위해 미리 결정된 이동 경로 내 노드들을 기초로 초기 개체의 집단을 생성한다.

단계(1310)는 상기 마이크로 유전자 알고리즘을 위한 돌연변이를 생성한다. 단계(1310)는 이후 수행되는 다중 교배 연산의 진행에 따라, 상기 돌연변이의 강도를 점차 줄여지도록 설정할 수 있다.

단계(1320)는 단계(1310)에 의해 생성된 돌연변이를 이용하여 상기 초기 개체의 집단에 속한 노드들의 위치 속성을 다중 교배 연산한다.

단계(1330)는 상기 로봇이 위치한 지도 공간에서 상기 다중 교배 연산된 위치 속성의 노드들 중 미리 설정된 적합도를 만족하는 노드들을 선별한다.

단계(1340)는 상기 선별된 노드들로 상기 이동 경로를 재설정한다.

본 발명의 실시예에 따른 방법들은 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 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims

로봇이 이동하는 경로를 제어하기 위한 장치에 있어서,
환경 지도를 기초로 시작 지점에서 목표 지점까지의 노드들을 포함하는 이동 경로를 생성하는 경로 생성부; 및
상기 노드들의 위치 속성을 마이크로 유전자 알고리즘에 따라서 돌연변이 및 교배 연산하고, 상기 돌연변이 및 상기 교배 연산된 위치 속성에 기초하여 상기 로봇의 상기 이동 경로를 재설정하는 경로 재설정부
를 포함하는 로봇 경로 제어 장치.
제1항에 있어서,
상기 경로 생성부는
상기 시작 지점에서 상기 목표 지점까지의 거리에 휴리스틱 평가 함수를 적용하고, 상기 적용 결과, 적합도가 최소인 노드들의 리스트를 상기 이동 경로로 생성하는 로봇 경로 제어 장치.
제1항에 있어서,
상기 환경 지도는 상기 로봇이 위치한 지도 공간 내의 장애물에 대한 방향 및 거리를 표시하는 특징점을 포함하고, 상기 특징점은 퍼지 멤버쉽을 갖는 로봇 경로 제어 장치.
제1항에 있어서,
상기 경로 재설정부는
상기 위치 속성을 다중 교배(multiple crossover) 연산하고, 상기 다중 교배 연산된 위치 속성의 노드들 중 미리 설정된 적합도(fitness)를 만족하는 노드들을 선별하고, 상기 이동 경로를 상기 선별된 노드들로 재설정하는
로봇 경로 제어 장치.
제1항에 있어서,
상기 경로 재설정부는 상기 교배 연산이 진행됨에 따라 상기 돌연변이의 강도를 점차 줄이는 로봇 경로 제어 장치.
제1항에 있어서,
상기 재설정된 이동 경로로 상기 로봇의 위치를 이동시키고, 상기 로봇과 장애물이 이루는 각도, 상기 환경 지도에서의 장애물에 대한 퍼지 멤버쉽, 및 상기 장애물과 상기 로봇간의 상대속도를 이용하여 상기 로봇의 충돌을 회피하기 위한 퍼지 알고리즘을 수행하고, 상기 수행 결과를 기초로 상기 로봇의 조향각 및 주행 속도를 제어하는 이동 처리부
를 더 포함하는 로봇 경로 제어 장치.
로봇이 이동하는 이동 경로를 제어하기 위한 장치에 있어서,
상기 이동 경로 내 노드들을 이용하여 초기 개체의 집단을 생성하고, 마이크로 유전자 알고리즘을 위한 돌연변이를 생성하는 초기 설정부;
상기 생성된 돌연변이를 이용하여 상기 초기 개체의 집단에 속한 노드들의 위치 속성을 다중 교배 연산하는 유전자 연산부; 및
상기 로봇이 위치한 지도 공간에서 상기 다중 교배 연산된 위치 속성의 노드들 중 미리 설정된 적합도를 만족하는 노드들을 선별하고, 상기 선별된 노드들로 상기 이동 경로를 재설정하는 재설정 처리부
를 포함하는 로봇 경로 제어 장치.
제7항에 있어서,
상기 초기 설정부는 상기 다중 교배 연산이 진행됨에 따라 상기 돌연변이의 강도를 점차 줄여 설정하는 로봇 경로 제어 장치.
로봇이 이동하는 경로를 제어하는 방법에 있어서,
환경지도를 기초로 시작 지점에서 목표 지점까지의 노드들을 포함하는 이동 경로를 생성하는 단계; 및
상기 노드들의 위치 속성을 마이크로 유전자 알고리즘에 따라서 돌연변이 및 교배 연산하고, 상기 돌연변이 및 상기 교배 연산된 위치 속성에 기초하여 상기 로봇의 상기 이동 경로를 재설정하는 단계
를 포함하는 로봇 경로 제어 방법.
제9항에 있어서,
상기 이동 경로를 생성하는 단계는
상기 시작 지점에서 상기 목표 지점까지의 거리에 휴리스틱 평가 함수를 적용하는 단계; 및
상기 적용 결과, 적합도가 최소인 노드들의 리스트를 상기 이동 경로로 생성하는 단계
를 포함하는 로봇 경로 제어 방법.
제9항에 있어서,
상기 이동 경로를 재설정하는 단계는
상기 마이크로 유전자 알고리즘에 따라서 돌연변이를 생성하는 단계;
상기 생성된 돌연변이 및 상기 노드들의 상기 위치 속성을 이동하여 다중 교배(multiple crossover) 연산하는 단계;
상기 다중 교배 연산된 위치 속성의 노드들 중 미리 설정된 적합도(fitness)를 만족하는 노드들을 선별하는 단계; 및
상기 이동 경로를 상기 선별된 노드들로 재설정하는 단계;
를 포함하는 로봇 경로 제어 방법.
제9항에 있어서,
상기 재설정된 이동 경로로 상기 로봇의 위치를 이동시키는 단계;
상기 로봇과 장애물이 이루는 각도, 상기 환경 지도에서의 장애물에 대한 퍼지 멤버쉽, 및 상기 장애물과 상기 로봇간의 상대속도를 이용하여 상기 로봇의 충돌을 회피하기 위한 퍼지 알고리즘을 수행하는 단계; 및
상기 수행 결과를 기초로 상기 로봇의 조향각 및 주행 속도를 제어하는 단계
를 더 포함하는 로봇 경로 제어 방법.
로봇이 이동하는 이동 경로를 제어하는 방법에 있어서,
상기 이동 경로 내 노드들을 이용하여 초기 개체의 집단을 생성하고, 마이크로 유전자 알고리즘을 위한 돌연변이를 생성하는 단계;
상기 생성된 돌연변이를 이용하여 상기 초기 개체의 집단에 속한 노드들의 위치 속성을 다중 교배 연산하는 단계;
상기 로봇이 위치한 지도 공간에서 상기 다중 교배 연산된 위치 속성의 노드들 중 미리 설정된 적합도를 만족하는 노드들을 선별하는 단계; 및
상기 선별된 노드들로 상기 이동 경로를 재설정하는 단계
를 포함하는 로봇 경로 제어 방법.