KR20120069335A

KR20120069335A - 로봇 및 로봇의 경로 생성 방법

Info

Publication number: KR20120069335A
Application number: KR1020100130843A
Authority: KR
Inventors: 황효석; 노경식; 윤석준; 안성환
Original assignee: 삼성전자주식회사
Priority date: 2010-12-20
Filing date: 2010-12-20
Publication date: 2012-06-28
Also published as: US9254571B2; KR101778028B1; US20120158178A1

Abstract

로봇 및 로봇의 경로 생성 방법이 개시된다. 본 발명에 따른 로봇 및 로봇의 경로생성방법은　물체와의 거리를 측정하여 복수 개의 셀(cell)을 포함하는 깊이 지도(depth map)를 생성하고, 복수 개의 셀 각각의 깊이 값에 따라 복수 개 셀 사이의 경계를 나누고, 나누어진 경계가 형성하는 단일 폐루프를 추출하고, 추출된 단일 폐루프를 통해 물체의 제1 시간의 위치와 형상을 획득하고; 획득된 물체의 제1 시간의 위치와 형상을 기초로 t초 후의 시간인 제2 시간에 물체가 위치하는 확률을 산정하고, 산정된 물체의 위치 확률에 따라 물체를 회피하면서 이동하는 경로를 생성한다.
이를 통해 물체의 방해를 받지 않고 최적(optimal)의 경로를 생성할 수 있다.

Description

로봇 및 로봇의 경로 생성 방법{ROBOT AND METHOD FOR PLANNING PATH OF THE SAME}

본 발명은 로봇 및 로봇의 경로 생성 방법에 관한 것으로서, 동적 공간 상의 최적 경로를 생성하는 로봇 및 로봇의 경로 생성 방법에 관한 것이다.

최근 무인화 기술이 관심을 가지게 됨에 따라 자기위치 인식기술과 지능적 경로계획에 대한 많은 연구가 진행되고 있다. 로봇이 이동하기 위해서는 우선 자신의 위치를 인지하고 목적지의 위치를 안 이후에 자신과 목적지 사이의 공간의 각종 장애물을 파악하여 이를 회피하며 이동할 수 있는 경로를 계획해야 한다. 단순해 보이는 이러한 작업은 아직도 사람이나 다른 동물과 같이 자연스럽게 이루어지지 않고 있으며 로봇의 지능적인 활용에 가장 걸림돌이 되는 부분이라고 할 수 있다. 이 과정을 수행하기 위해서는 위치 인식 기술과 장애물 감지 기술, 경로 생성 기술이 유기적으로 잘 조화되어 운용되어야 한다.

일반적으로 이동 장애물이 있는 환경에서의 최적 경로는 configuration space(c-space) 표현을 사용하여 해결했다. 여러 개의 장애물 가운데에서 C-space의 복잡성을 감소시키기 위한 다양한 방법이 있었다.

그 중에서 경로를 찾는 문제와 경로 주변을 따라 움직이는 문제로 분리하여 접근하는 시도하였는데, 이는 후에 동적인 제한조건을 만족하며 이동 장애물을 피하는 최적의 속도 궤적을 푸는 문제로 발전되기도 하였다.

그러나, 이러한 방법은 데이터를 실시간으로 얻어내는 것이 용이하지 않다는데 문제점이 있다. 데이터는 기본적으로 입체적인 데이터들을 통하여 이동 공간상에 물체 또는 벽과 같은 구조물이 점유하고 있는지 아닌지를 파악하여야 한다. 공간을 물체나 구조물이 점유하고 있다면 그 곳을 회피하여 이동해야 한다는 것이다. 이러한 과정을 수행하기 위해서는 센서를 통하거나 기존의 로봇이 가지고 있는 기억을 통하여 3차원 데이터를 획득해야 하며 특히 이동 중에 이동 물체를 검출해야 하는 일반적인 상황이라면 획득 속도도 매우 빨라야 한다. 즉, 종래에는 이동 물체를 검출하는데 시간이 많이 걸리거나 최적의 이동 경로를 검출할 수 없는 문제점이 있었다.

본 발명의 일 측면에 의하면 로봇 및 로봇의 경로　생성 방법을 제공하고자 한다.

전술한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 로봇의 경로 생성 방법은　물체와의 거리를 측정하여, 복수 개의 셀(cell)을 포함하는 깊이 지도(depth map)를 생성하고; 복수 개의 셀 각각의 깊이 값에 따라 복수 개 셀 사이의 경계를 나누고, 나누어진 경계가 형성하는 단일 폐루프를 추출하고; 추출된 단일 폐루프를 통해 물체의 제1 시간의 위치와 형상을 획득하고; 획득된 물체의 제1 시간의 위치와 형상을 기초로 t초 후의 시간인 제2 시간에 물체가 위치하는 확률을 산정하고; 산정된 물체의 위치 확률에 따라 물체를 회피하면서 이동하는 경로를 생성한다.

또한, 추출된 단일 폐루프는, Blob(binary large object) 알고리즘을 통해 추출할 수 있다.

또한, 추출된 단일 폐루프를 통해 물체의 제1 시간의 위치와 형상을 획득하는 것은, 단일 폐루프에 포함되는 하나 이상의 픽셀들의 깊이 평균 값을 기초로 물체의 위치를 획득하고, 단일 폐루프의 형상을 기초로 물체의 형상을 획득할 수 있다.

또한, 획득된 물체의 제1 시간의 위치와 형상을 기초로 t초 후의 시간인 제2 시간에 물체가 위치하는 확률을 산정하는 것은, 획득된 물체의 제1 시간의 위치와 형상을 기초로 JPDAF(Joint Probability Data Association Filter)를 통해 t초 후의 시간인 제2 시간에 물체가 위치하는 확률을 산정할 수 있다.

또한, JPDAF는 칼만 필터 알고리즘을 포함할 수 있다.

또한, 산정된 물체의 위치 확률에 따라 물체를 회피하면서 이동하는 경로를 생성하는 것은, 산정된 물체가 위치하는 확률의 2차원 형상을 시간 t에 따라 3차원 공간으로 나타내는 것을 포함할 수 있다.

또한, 산정된 물체의 위치 확률에 따라 물체를 회피하면서 이동하는 경로를 생성하는 것은, 3차원 공간을 소정의 길이와 소정의 시간을 가지는 복수 개의 격자로 분할하는 것을 더 포함할 수 있다.

또한, 분할된 복수 개의 격자는 경로를 생성하는데 기준점이 되는 복수 개의 노드(node)가 된다.

또한, 산정된 물체의 위치 확률에 따라 물체를 회피하면서 이동하는 경로를 생성하는 것은, 복수 개의 노드 중 어느 하나의 노드를 출발 노드로 선정하고, 경로의 도달점인 목표 노드를 설정하고, 선정된 노드에서 목표 노드에 도달하기 위해 거치는 다른 하나의 노드로 이동하는 거리 값을 누적한 거리 비용을 산정하는 것을 더 포함할 수 있다.

또한, 산정된 물체의 위치 확률에 따라 물체를 회피하면서 이동하는 경로를 생성하는 것은, 산정된 물체가 위치하는 확률의 2차원 형상과 만날 확률을 나타내는 장애 비용을 산정하는 것을 더 포함할 수 있다.

또한, 산정된 물체의 위치 확률에 따라 물체를 회피하면서 이동하는 경로를 생성하는 것은, 거리 비용과 장애 비용을 합산하여 그 값이 최소가 되는 경로를 생성하는 것을 더 포함할 수 있다.

또한, 생성된 경로가 목표 노드에 도달했는지 판단하는 것을 더 포함할 수 있다.

또한, 생성된 경로가 목표 노드에 도달했는지 판단하는 것은, 생성된 경로가 목표 노드에 도달하지 않은 것으로 판단되면 출발 노드를 다른 노드로 재 선정하는 것을 포함할 수 있다.

본 발명의 다른 실시예에 따른 로봇은 물체와의 거리를 측정하여 복수 개의 셀을 포함하는 깊이 지도(depth map)를 생성하는 TOF(Time Of Flight) 센서부; 복수 개의 셀 각각의 깊이 값에 따라 복수 개 셀 사이의 경계를 나누고, 나누어진 경계가 형성하는 단일 폐루프를 추출하고, 추출된 단일 폐루프를 통해 물체의 제1 시간의 위치와 형상을 검출하는 물체 검출부; 검출된 물체의 제1 시간의 위치와 형상을 기초로 t초 후의 시간인 제2 시간에 물체가 위치하는 확률을 산정하는 물체 추정부; 산정된 물체의 위치 확률에 따라 물체를 회피하면서 이동하는 경로를 생성하는 경로 생성부를 포함한다.

또한, 물체 검출부는 Blob(binary large object) 알고리즘을 통해 물체의 제1 시간의 위치와 형상을 검출한다.

또한, 물체 검출부는 단일 폐루프에 포함되는 하나 이상의 픽셀들의 깊이 평균 값을 기초로 물체의 위치를 획득하고, 단일 폐루프의 형상을 기초로 물체의 형상을 검출한다.

또한, 물체 추정부는 획득된 물체의 제1 시간의 위치와 형상을 기초로 JPDAF(Joint Probability Data Association Filter)를 통해 t초 후의 시간인 제2 시간에 물체가 위치하는 확률을 산정한다.

또한, 경로 생성부는 산정된 물체가 위치하는 확률의 2차원 형상을 시간 t에 따라 3차원 공간으로 나타내고, 3차원 공간을 소정의 길이와 소정의 시간을 가지는 복수 개의 격자로 분할하고, 분할된 복수 개의 격자는 경로를 생성하는데 기준점이 되는 복수 개의 노드(node)이다.

또한, 경로 생성부는 복수 개의 노드 중 어느 하나의 노드를 출발 노드로 선정하고, 경로의 도달점인 목표 노드를 설정하고, 선정된 노드에서 목표 노드에 도달하기 위해 거치는 다른 하나의 노드로 이동하는 거리 값을 누적한 거리 비용을 산정하는 거리 비용 산정부를 포함한다.

또한, 경로 생성부는 산정된 물체가 위치하는 확률의 2차원 형상과 만날 확률을 나타내는 장애 비용을 산정하는 장애 비용 산정부를 더 포함한다.

또한, 경로 생성부는 거리 비용과 장애 비용을 합산하여 그 값이 최소가 되는 경로를 생성하는 경로 생성부를 더 포함한다.

또한, 경로 생성부는 생성된 경로가 목표 노드에 도달했는지 판단하고, 　생성된 경로가 목표 노드에 도달하지 않은 것으로 판단되면 출발 노드를 다른 노드로 재 선정하는 판단부를 더 포함한다.

상술한 바와 같은 본 발명의 일 실시예에 의한 로봇 및 로봇의 경로 생성 방법에 의하면 물체에 방해를 받지 않고 최적의 경로를 생성할 수 있다.

도 1은 본 발명의 일 실시예에 따른 로봇의 경로 생성 방법을 도시한 순서도이다.
도 2는 본 발명의 다른 실시예에 따른 로봇의 경로 생성 방법을 도시한 순서도이다.
도 3은 본 발명의 다른 실시예에 따른 로봇의 제어 과정을 도시한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 Blob 알고리즘을 도시한 개략도이다.
도 5는 본 발명의 일 실시예에 따른 로봇의 경로 생성 준비 과정을 2차원 공간에서 도시한 개략도이다.
도 6은 본 발명의 일 실시예에 따른 로봇의 경로 생성 준비 과정을 3차원 공간에서 도시한 개략도이다.
도 7은 본 발명의 일 실시예에 따른 3차원 공간을 격자화하는 과정을 도시한 개략도이다.
도 8은 본 발명의 일 실시예에 따른 생성되는 로봇 경로의 노드 변화를 도시한 개략도이다.
도 9는 본 발명의 일 실시예에 따른 로봇의 경로 생성 시 고려되는 물체의 시간에 따른 위치 확률을 도시한 개략도이다.
도 10은 본 발명의 일 실시예에 따른 로봇의 경로 생성 방법을 도시한 개략도이다.

이하 첨부된 도면을 참조하여 본 발명에 따른 로봇 및 로봇의 경로 생성방법의 바람직한 실시예를 설명한다.

도 1은 본 발명의 일 실시예에 따른 로봇의 경로 생성 방법을 도시한 순서도이다.

로봇의 경로를 생성하는데 있어서, 먼저 복수 개의 셀을 포함하는 깊이 지도(depth map)를 생성한다(100).

깊이 지도를 생성할 때 TOF(Time Of Flight) 센서를 이용할 수 있는데, TOF 센서의 발광부에서 적외선 또는 레이저 등을 발생시키고 수광부에서 반사체로부터의 거리를 측정한다. 깊이 지도는 픽셀 하나 하나가 모여 형성하는데 이 깊이 지도에는 거리정보가 기록되어 입체적인 형태를 띄게 된다.

깊이 지도는 입체적인 요철 형태의 이미지로서, TOF 센서의 측정 위치와 자세 등을 알고 있다면, 기하학적인 방법을 통해서 공간이 어떠한 물질로 채워져 있는지, 아니면 채워져 있지 않은지를 파악할 수 있다. 본 발명의 일 실시예에 따르면 일정 시간 간격으로 획득된 깊이 지도를 이용하여 물체의 동적인 부분을 추출 하고자 한다.

다음으로, 생성된 깊이 지도를 통해 물체의 제1 시간에서의 위치와 형상을 검출한다(200).

여기서 제1 시간은 TOF 센서를 통해 물체를 촬영하는 어느 한 시점을 나타낸다. 또한, 물체의 위치와 형상은 제1 시간에서 촬영된 깊이 맵에 포함되는 물체의 위치와 모양이다.

다음으로, 제1 시간에서 물체의 위치와 형상을 기초로 t초 후의 시간인 제2 시간에서 물체가 위치하는 확률을 산정한다(300).

여기서 제2 시간은 제1 시간에서 소정의 t초가 흐른 시간을 나타낸다. 물체가 시간에 따라 이동하고 있을 경우에, 소정의 시간 t초에 물체가 어느 위치에 있는지를 추정할 수 있다.

이는 제1 시간에서 획득한 물체의 위치와 형상을 기초로 하여, t초가 지난 시점에서 물체가 이동하여 위치할 수 있는 곳을 확률 상으로 추정하는 것이다. 즉, 제1 시간에서 획득한 물체의 위치, 형상 및 속도 등의 정보를 기초로 하여, t초가 지난 후에 물체가 위치할 수 있는 곳을 확률적으로 나타낸다.

다음으로, 산정된 확률에 따라서 로봇의 이동 경로를 생성한다(400).

산정된 확률을 기초로 하면, 로봇이 이동할 때 장애물로 취급되는 물체의 위치를 확률적으로 추정할 수 있으므로, 이를 피해서 로봇의 이동 경로를 생성할 수 있다. 즉, 가능한 한 최소의 거리와 최소의 시간으로 최대한 물체와 충돌을 피하면서 로봇이 이동할 수 있다.

도 2는 본 발명의 다른 실시예에 따른 로봇의 경로 생성 방법을 도시한 순서도이다.

먼저 위의 도 1에서 설명한 바와 같이, 로봇의 경로를 생성하는데 있어서, 먼저 복수 개의 셀을 포함하는 깊이 지도(depth map)를 생성한다(110).

다음, 생성된 깊이 지도에 Blob 알고리즘을 수행하여 물체의 제1 시간의 위치와 형상을 검출한다(210).

Blob 알고리즘은 깊이 지도인 이진 지도(binary map) 상에서, 깊이 지도에 포함되는 복수 개의 셀(cell)의 경계선을 따라가면서 물체의 제1 시간의 위치와 형상을 검출한다.

Blob 알고리즘은, 배경의 셀 값이 0이고 덩어리의 물체로 인지된 곳의 셀 값이 1이라고 가정하고, 1인 부분의 경계선을 따라 하나의 폐루프을 완성하면, 그 폐곡선을 하나의 Blob으로 결정한다.

또한, 생성된 깊이 지도에서 노이즈가 있는 경우에는 잘못된 Blob이 결정될 수 있는데, 이를 제거하기 위하여, Blob이 소정의 셀 이하로 구성되면 Blob이 아닌 것으로 설정하여 제거할 수 있다.

또한, Blob 알고리즘을 통하여 획득한 Blob 구성 셀의 깊이 값을 평균하여 (x, y, z)의 대표 값을 추출한다. 대표 값은 각각의 Blob 중심점을 추출하여 검출된 센서 데이터로 사용할 수 있다.

도 4는 깊이 지도에서 Blob 알고리즘을 수행하여 제1 시간에의 물체의 위치 및 형상을 검출하는 것을 도시하고 있다. 도 4는 본 발명의 일 실시예에 따른 Blob 알고리즘을 도시한 개략도이다.

깊이 지도를 형성하는 복수 개의 셀 각각은 TOF 센서로부터의 거리에 따라 서로 다른 거리 값(깊이 값)을 가진다. TOF 센서를 통해 촬영되는 물체를 형성하는 셀들은 유사한 깊이 값을 가지고, 배경을 형성하는 셀들도 유사한 깊이 값을 가진다. 　이러한 성질을 이용하여 Blob 알고리즘을 수행하면 물체의 경계를 확정할 수 있고, 형성되는 하나의 폐루프를 물체로 추정하여 검출할 수 있다. 검출된 폐루프는 물체의 위치 및 그 형상을 나타낸다.

다음으로, JPDAF(Joint Probability Data Association Filter)를 통해 제2 시간에 물체가 위치하는 확률을 산정한다(310).

JPDAF(Joint Probability Data Association Filter)는 여러 개의 이동물체를 추적하는 방법으로서, 추적하는 물체의 상태를 추정하는 여러 개의 추정치와 추정의 근거가 되는 여러 개의 센서 값이 가장 높은 확률을 가질 수 있도록 대응시키는 Data association 방법의 하나이다. JPDAF의 장점은 근사 수학적 모델을 사용할 경우에 등속으로 움직이는 물체는 물론, 가속으로 움직이는 물체에 대해서도 정확한 추정치를 계산해낼 수 있으며 클러터 환경에도 강건(robust)하다는데 있다.

따라서 TOF 센서의 성능이 좋지 않은 경우에 다소 많은 잡음이 있는 경우의 깊이 지도에서도 움직이는 물체의 위치 및 형상을 추적하여 검출할 수 있다.

또한, JPDAF는 기본적으로 칼만 필터 알고리즘을 포함한다. 예측 과정에서 각각의 점이 수학적 모델을 가지고 있고, 이에 대해 적분 업데이트를 함으로서 제2 시간에 어떠한 위치에 물체가 존재할 것인지를 예측할 수 있다.

이 과정에서 모델의 정밀도에 따라서 위치 예측치에 대한 오차 공분산(covariance) 값이 같이 연산된다. 즉 정확한 모델의 경우에는 예측 오차 공분산이 작아지고, 정확하지 않은 모델의 경우에는 예측 공분산이 커진다.

본 발명의 일 실시예에 따른 각각의 셀 좌표에 대한 상태변수를 다음과 같이 설정할 수 있으며, 칼만 필터의 예측과정에 사용되는 모델은 다음과 같다.

각각의 상태변수 x, v_x, y, v_y는 x좌표 , x방향 속도, y좌표, y방향 속도를 나타낸다. 본 발명의 일 실시예에 따른 센서 데이터로서 Blob 알고리즘에서 추출된 각각의 Blob의 대표 값을 사용한다. 각각의 Blob에서는 중심 값으로서 대표 값을 획득하고 이를 JPDAF의 각각의 센서 데이터로 전달한다.

다만, blob 알고리즘으로 인해 발생된 데이터는 계속적으로 추적하고 있던 동적 물체의 개수와 일치 하지 않을 수도 있다. 따라서 JPDAF를 통하여 확률적으로 가장 적합하게 동적 물체와 blob을 대응 시켜야 한다.

또한, 칼만 필터에서는 각각의 추정 값에 해당하는 센서 측정 값을 갱신하여 필터의 추정 오차를 줄여야 하는데, 이 상황에서는 어느 측정 값이 어느 추정치와 대응시켜야 할지를 알 수가 없다. 그러나 JPDAF를 사용함으로서 갱신 과정에서 확률적으로 가장 근사한 점들끼리 대응시켜서 가장 작은 공분산, 즉 가장 정확한 추정치가 나올 수 있는 대응을 찾아서, 이를 통하여 측정치를 갱신하는 과정을 수행한다.

이러한 JPDAF의 필터링 과정을 통하여, 제2 시간에 물체가 위치하는 확률을 산정할 수 있다.

다음으로, 물체가 위치하는 확률의 2차원 형상을 시간 t에 따라 3차원 공간에 나타낸다(320).

도 5는 이동하는 물체(1)가 위치하는 2차 공간 상의 모습을 도시하고 있다.

도 6에 도시된 바와 같이, z축 방향을 시간 축(t축)으로 설정하여 입체적인 관점에서 이동 물체를 표현할 수 있다. 도 6은 본 발명의 일 실시예에 따른 로봇의 경로 생성 준비 과정을 3차원 공간에서 도시한 개략도이다.

3차원 공간에 이동하는 물체(1)를 표현한 후, 다음으로 그 3차원 공간을 격자로 나누고 그 격자 각각을 노드(node)로 지정한다(330).

여기서 격자로 나누는 것은 소정의 단위 길이와 소정의 단위 시간을 기준으로 하여 수행될 수 있다. 도 7은 소정의 단위 길이와 소정의 단위 시간을 기준으로 하여 3차원 공간을 격자화한 것을 도시하고 있다.

다음으로, 격자화를 통해 생성된 노드 중 어느 하나를 출발 노드(3)로 설정하고, 도달하고자 하는 목표 점에 위치하는 노드를 목표 노드(5)로 설정한다(340).

다음으로, 로봇의 경로를 생성하는 과정을 설명한다. 로봇의 경로를 생성하는 과정은 다음 두 가지 단계를 포함할 수 있다.

먼저, 로봇이 이동할 경로의 거리 비용과 물체로 인한 장애 비용을 산정한다(350).

도 6에서 보면, 출발 노드(3)는 t=0인 위치에 2차원 평면상에 존재하고, 목표 노드(5)는 목적으로 하는 x, y 위치에 일정 시간 이상 떨어져 있는 위치부터 그 t축 상단으로 진행 되는 직선의 형태로 존재한다. 이를 목표 선이라 정의할 수 있다.

출발 노드(3)에서 목표 노드(5)에 도달하는　최소 높이는 로봇이 최고의 속도로 직선 거리로 갈 수 있는 시간이 된다.

또한, 여기에서 각각의 격자는 비용을 가지게 되는데 한 격자에서 다른 격자로 이동하기 위해서는 거리 비용 및 장애 비용이 소요된다. 이를 각각 dl, dG라고 정의할 수 있다.

거리비용 dl은 한 격자에서 다른 격자로 이동하는데 사용되는 거리를 의미한다. 셀의 진행은 시간 축을 기준으로 방향성을 가지게 된다. 이는 공간상으로는 역으로 이동하는 것이 가능하지만 시간을 되돌려서 진행할 수는 없기 때문이다. 따라서 임의의 격자 xi, yi, ti에서 진행할 수 있는 방향은 시간 축의 증가 방향의 격자 뿐이다.

이때 거리비용은 한 격자에서 시간 축의 증가 방향의 다른 격자로 이동하기 위한 거리를 의미한다. 이 때의 거리의 개념은 유클리드 기하학에 기반한 거리의 개념과 동일하게 적용되나, 시간 축 또한 거리로 생각할 수 있다는 것이다. 하나의 격자의 크기를 dx, dy, dt라고 할 경우에, 시간 축의 증가 방향의 다른 격자로 갈 경우 소요되는 거리비용은 다음 수학식에 따를 수 있다.

여기에서 시간 앞에 붙은 w는 시간에 대한 가중치이다. 즉 시간에 대하여 더욱 많은 가중치를 주고 싶으면 w를 높이고 적게 주고 싶으면 낮은 w를 설정한다. 이렇게 형성된 3차원 거리 개념이 바로 거리 비용이 된다.

로봇의 최대 속도에 따라 진입할 수 있는 격자의 수가 달라지는데, 속도가 빠를수록 한 단위의 시간에 대하여 갈 수 있는 시간 축의 증가 방향의 격자의 수가 달라질 수 있다. 즉, 로봇의 최대 속도가 2배일 경우에는 갈 수 있는 영역이 2배가 될 수 있다.

장애 비용은 이동 물체(1)가 격자에 존재할 수 있는 확률을 의미한다.

로봇이 각각의 격자를 지나가게 되면 이에 대한 장애 비용을 치루고 지나가야 한다. 장애 비용은 제2 시간에 물체가 위치하는 확률 값을 기반으로 계산된다.

경로를 생성하는 순간의 물체(1)의 위치, 속도 및 오차 공분산을 통해 3차원 시공간 상에 도형을 만들어 낼 수 있다. 이는 물체(1)가 어떤 시간에 어느 장소에 있을 지를 확률적으로 예측할 수 있다는 것이다. 이 과정에서 어느 순간 확률을 알고 이에 대한 공분산을 알 수 있으면, 이를 통하여 JPDAF과정의 예측 과정을 기초로 하여 다음과 같은 수학식에 따라, 이동하는 물체(1)의 위치 확률을 확장할 수 있다.

도 8은 본 발명의 일 실시예에 따른 생성되는 로봇 경로의 노드 변화를 도시한 개략도이다.

도 10은 본 발명의 일 실시예에 따른 로봇의 경로 생성 방법을 도시한 개략도이다.

오차 공분산(P)은 다음과 같은 수학식에 따라 확장 가능하며, 　이는 물체(1)가 로봇의 이동 경로에 존재할 범위를 나타낸다.

또한, 물체(1)는 위에서 산정된 공분산에 따라 다음 수학식과 같은 확률 분포를 가질 수 있다.

위 수학식에 따르면, 물체(1)는 등속 운동을 한다고 판단할 수 있고, 시간이 지남에 따라 물체(1)가 존재할 수 있는 영역(확률)은 점점 커지는 방향으로 나타난다.

또한, 일정한 속도로 이동하면서 물체(1)의 존재 확률은 시간에 제곱에 비례하는 형태로 확장해 나간다. 즉, 물체(1)가 존재할 경우 물체(1)의 이동 궤적은 도 9에 도시된 바와 같이, 삼차원 2차 함수 면을 가지는 원뿔형 물체로 나타낼 수 있으며, 이 물체(1) 내에 존재하는 격자는 모두 식 x와 같은 값을 가지게 된다. 도 9는 본 발명의 일 실시예에 따른 로봇의 경로 생성 시 고려되는 물체의 시간에 따른 위치 확률을 도시한 개략도이다.

물론 이동하지 않는 장애물은 확률이 1로 고정된다.

다음으로, 산정된 거리 비용과 장애 비용을 합산하고 합산 값이 최소인 경로를 선택한다(410).

경로를 통과하는 방법에 따라서 거리 비용 및 장애 비용의 합산 누적치가 달라지며, 이 값을 최소화하는 것이 최적의 경로를 생성하는 것이다. 누적치는 다음 수학식에 따를 수 있다.

즉, 시간 t에 따라 로봇의 최적의 이동 경로를 생성하는 것은 다음과 같은 과정을 통해 이루어질 수 있다.

현재 노드까지 거리 비용과 장애 비용을 P(1)로 놓는다. 또한, 출발 노드(3)에서 다음으로 이동할 격자의 후보군을 결정하고, 각각의 격자와 현재 격자 사이의 거리 비용과 장애 비용을 계산하여 더한다. 이때 장애 비용이 1인 경우, 즉 이동하지 않고 명백히 장애물인 공간은 후보군에서 제외한다. 따라서 후보군은 다음과 같이 나열될 수 있다.

여기에서 최소 값을 찾기 위해서 경험적 추정치 H(x,y)를 계산한다. 경험적 추정치는 현재 격자에서 골까지 대략적으로 어느 정도의 누적 비용이 소요될 지를 예측하는 것으로서, H(x,y)는 물체(1)의 위치 및 형상 정보를 포함해서 알기는 힘들기 때문에, 3차원 공간에서 목적 선까지의 거리만을 계산하여 설정한다.

목적 선까지의 거리는 t가 도 6에 도시된 L/Vmax 보다 작을 때는 3차원의 거리를 측정하여 다음 수학식과 같이 나타낼 수 있다.

이를 기초로, 후보군 중에서 예측 경로의 최소 값을 선택한다.

예측 경로는 다음과 같은 수학식에 따른다.

이 중에서 최소 값이 결정되면, 최소 값에 해당하는 진행 경로를 로봇의 최적의 이동 경로로 선택한다. 이는 다음 수학식과 같이 표현할 수 있다.

다음으로, 출발 노드(3)에서 출발하여 목표 노드(5)에 도달했는지 판단한다(500).

만약 도달하지 않은 경우라면 경로 생성이 잘못되었거나 장애 비용의 산정이 잘못된 것이므로, 다시 출발 노드(3)와 목표 노드(5)를 설정하는 단계로 이동한다(단계 340).

만약 도달했다면, 다시 선택된 최적의 이동 경로대로 로봇이 이동했는지 판단한다(510). 만약 경로대로 이동하지 않았으면 다시 출발 노드(3)와 목표 노드(5)를 설정하는 단계로 이동하고(단계 340), 경로대로 로봇이 이동했다면 경로 생성 과정과 이에 따른 로봇의 이동을 종료한다.

도 3은 본 발명의 다른 실시예에 따른 로봇의 제어 과정을 도시한 블록도이다.

로봇은 TOF 센서부(10), 물체 검출부(20), 물체 추정부(30), 거리비용 산정부(43), 장애비용 산정부(47), 경로 생성부(50), 판단부(60)를 포함한다.

TOF 센서부(10)는 물체와(1)의 거리를 측정하여 복수 개의 셀을 포함하는 깊이 지도(depth map)를 생성한다.

물체 검출부(20)는 TOF 센서부(10)를 통해 생성된 깊이 지도에 포함되는 복수 개의 셀 각각의 깊이 값에 따라, 복수 개 셀 사이의 경계를 나누고, 나누어진 경계가 형성하는 단일 폐루프를 추출하고, 추출된 단일 폐루프를 통해 물체(1)의 제1 시간의 위치와 형상을 검출한다.

물체 추정부(30)는 물체 검출부(20)를 통해 검출된 물체(1)의 제1 시간의 위치와 형상을 기초로 t초 후의 시간인 제2 시간에 물체가 위치하는 확률을 산정하여 물체를 추정한다.

거리비용 산정부(43)는 복수 개의 노드 중 어느 하나의 노드를 출발 노드(3)로 선정하고, 경로의 도달점인 목표 노드(5)를 설정하고, 선정된 노드에서 목표 노드(5)에 도달하기 위해 거치는 다른 하나의 노드로 이동하는 거리 값을 누적하여 거리비용을 산정한다.

장애비용 산정부(47)는 물체(1)가 위치하는 확률의 2차원 형상과 만날 확률을 나타낸다.

경로 생성부(50)는 물체(1)의 위치 확률에 따라 물체(1)를 회피하면서 최단 시간 및 최단 거리의 경로를 생성한다.

판단부(60)는 생성된 경로가 목표 노드(5)에 도달했는지 판단하고, 생성된 경로가 목표 노드(5)에 도달하지 않은 것으로 판단되면 출발 노드(3)를 다른 노드로 재 선정한다.

1 : 물체 3 : 출발 노드 5 : 목표 노드
10 : TOF 센서부 20 : 물체 검출부 30 : 물체 추정부
43 : 거리비용 산정부 47 :장애비용 산정부 50 : 경로 생성부
60 : 판단부

Claims

물체와의 거리를 측정하여, 복수 개의 셀(cell)을 포함하는 깊이 지도(depth map)를 생성하고;
상기 복수 개의 셀 각각의 깊이 값에 따라 상기 복수 개 셀 사이의 경계를 나누고, 상기 나누어진 경계가 형성하는 단일 폐루프를 추출하고;
상기 추출된 단일 폐루프를 통해 상기 물체의 제1 시간의 위치와 형상을 획득하고;
상기 획득된 물체의 제1 시간의 위치와 형상을 기초로 t초 후의 시간인 제2 시간에 상기 물체가 위치하는 확률을 산정하고;
상기 산정된 물체의 위치 확률에 따라 상기 물체를 회피하면서 이동하는 경로를 생성하는 로봇의 경로 생성 방법.
제1항에 있어서,
상기 추출된 단일 폐루프는,
Blob(binary large object) 알고리즘을 통해 추출되는 로봇의 경로 생성 방법.
제2항에 있어서,
상기 추출된 단일 폐루프를 통해 상기 물체의 제1 시간의 위치와 형상을 획득하는 것은,
상기 단일 폐루프에 포함되는 하나 이상의 픽셀들의 깊이 평균 값을 기초로 상기 물체의 위치를 획득하고, 상기 단일 폐루프의 형상을 기초로 상기 물체의 형상을 획득하는 로봇의 경로 생성 방법.
제3항에 있어서,
상기 획득된 물체의 제1 시간의 위치와 형상을 기초로 t초 후의 시간인 제2 시간에 상기 물체가 위치하는 확률을 산정하는 것은,
상기 획득된 물체의 제1 시간의 위치와 형상을 기초로 JPDAF(Joint Probability Data Association Filter)를 통해 t초 후의 시간인 제2 시간에 상기 물체가 위치하는 확률을 산정하는 것인　로봇의 경로 생성 방법.
제4항에 있어서,
상기 JPDAF는 칼만 필터 알고리즘을 포함하는 로봇의 경로 생성 방법.
제5항에 있어서,
상기 산정된 물체의 위치 확률에 따라 상기 물체를 회피하면서 이동하는 경로를 생성하는 것은,
상기 산정된 물체가 위치하는 확률의 2차원 형상을 상기 시간 t에 따라 3차원 공간으로 나타내는 것을 포함하는 것인 로봇의 경로 생성 방법.
제6항에 있어서,
상기 산정된 물체의 위치 확률에 따라 상기 물체를 회피하면서 이동하는 경로를 생성하는 것은,
상기 3차원 공간을 소정의 길이와 소정의 시간을 가지는 복수 개의 격자로 분할하는 것을 더 포함하는 로봇의 경로 생성 방법.
제7항에 있어서,
상기 분할된 복수 개의 격자는 상기 경로를 생성하는데 기준점이 되는 복수 개의 노드(node)인 로봇의 경로 생성 방법.
제8항에 있어서,
상기 산정된 물체의 위치 확률에 따라 상기 물체를 회피하면서 이동하는 경로를 생성하는 것은,
상기 복수 개의 노드 중 어느 하나의 노드를 출발 노드로 선정하고, 경로의 도달점인 목표 노드를 설정하고, 상기 선정된 노드에서 상기 목표 노드에 도달하기 위해 거치는 다른 하나의 노드로 이동하는 거리 값을 누적한 거리 비용을 산정하는 것을 더 포함하는 로봇의 경로 생성 방법.
제9항에 있어서,
상기 산정된 물체의 위치 확률에 따라 상기 물체를 회피하면서 이동하는 경로를 생성하는 것은,
상기 산정된 물체가 위치하는 확률의 2차원 형상과 만날 확률을 나타내는 장애 비용을 산정하는 것을 더 포함하는　로봇의 경로 생성 방법.
제10항에 있어서,
상기 산정된 물체의 위치 확률에 따라 상기 물체를 회피하면서 이동하는 경로를 생성하는 것은,
상기 거리 비용과 상기 장애 비용을 합산하여 그 값이 최소가 되는 경로를 생성하는 것을 더 포함하는 로봇의 경로 생성 방법.
제11항에 있어서,
상기 생성된 경로가 목표 노드에 도달했는지 판단하는 것을 더 포함하는 로봇의 경로 생성방법.
제12항에 있어서,
상기 생성된 경로가 목표 노드에 도달했는지 판단하는 것은,
상기 생성된 경로가 목표 노드에 도달하지 않은 것으로 판단되면 상기 출발 노드를 다른 노드로 재 선정하는 것을 포함하는 로봇의 경로 생성 방법.
물체와의 거리를 측정하여 복수 개의 셀을 포함하는 깊이 지도(depth map)를 생성하는 TOF(Time Of Flight) 센서부;
상기 복수 개의 셀 각각의 깊이 값에 따라 상기 복수 개 셀 사이의 경계를 나누고, 상기 나누어진 경계가 형성하는 단일 폐루프를 추출하고, 상기 추출된 단일 폐루프를 통해 상기 물체의 제1 시간의 위치와 형상을 검출하는 물체 검출부;
상기 검출된 물체의 제1 시간의 위치와 형상을 기초로 t초 후의 시간인 제2 시간에 상기 물체가 위치하는 확률을 산정하는 물체 추정부;
상기 산정된 물체의 위치 확률에 따라 상기 물체를 회피하면서 이동하는 경로를 생성하는 경로 생성부를 포함하는 로봇.
제14항에 있어서,
상기 물체 검출부는 Blob(binary large object) 알고리즘을 통해 상기 물체의 제1 시간의 위치와 형상을 검출하는 로봇.
　　　　　　　제15항에 있어서,
상기 물체 검출부는 상기 단일 폐루프에 포함되는 하나 이상의 픽셀들의 깊이 평균 값을 기초로 상기 물체의 위치를 획득하고, 상기 단일 폐루프의 형상을 기초로 상기 물체의 형상을 검출하는 로봇.
제16항에 있어서,
상기 물체 추정부는 상기 획득된 물체의 제1 시간의 위치와 형상을 기초로 JPDAF(Joint Probability Data Association Filter)를 통해 t초 후의 시간인 제2 시간에 상기 물체가 위치하는 확률을 산정하는 로봇.
제17항에 있어서,
상기 경로 생성부는 상기 산정된 물체가 위치하는 확률의 2차원 형상을 상기 시간 t에 따라 3차원 공간으로 나타내고, 상기 3차원 공간을 소정의 길이와 소정의 시간을 가지는 복수 개의 격자로 분할하고, 상기 분할된 복수 개의 격자는 상기 경로를 생성하는데 기준점이 되는 복수 개의 노드(node)인 로봇.
제18항에 있어서,
상기 경로 생성부는 상기 복수 개의 노드 중 어느 하나의 노드를 출발 노드로 선정하고, 경로의 도달점인 목표 노드를 설정하고, 상기 선정된 노드에서 상기 목표 노드에 도달하기 위해 거치는 다른 하나의 노드로 이동하는 거리 값을 누적한 거리 비용을 산정하는 거리 비용 산정부를 포함하는 로봇.
제19항에 있어서,
상기 경로 생성부는 상기 산정된 물체가 위치하는 확률의 2차원 형상과 만날 확률을 나타내는 장애 비용을 산정하는 장애 비용 산정부를 더 포함하는 로봇.
제20항에 있어서,
상기 경로 생성부는 상기 거리 비용과 상기 장애 비용을 합산하여 그 값이 최소가 되는 경로를 생성하는 경로 생성부를 더 포함하는 로봇.
제21항에 있어서,
상기 경로 생성부는 상기 생성된 경로가 목표 노드에 도달했는지 판단하고, 　상기 생성된 경로가 목표 노드에 도달하지 않은 것으로 판단되면 상기 출발 노드를 다른 노드로 재 선정하는 판단부를 더 포함하는 로봇.