KR20200063879A - 인공지능 기반 환경 적응형 시간 동기화 군집 로봇 커버리지 방법 및 시스템 - Google Patents

인공지능 기반 환경 적응형 시간 동기화 군집 로봇 커버리지 방법 및 시스템 Download PDF

Info

Publication number
KR20200063879A
KR20200063879A KR1020180150128A KR20180150128A KR20200063879A KR 20200063879 A KR20200063879 A KR 20200063879A KR 1020180150128 A KR1020180150128 A KR 1020180150128A KR 20180150128 A KR20180150128 A KR 20180150128A KR 20200063879 A KR20200063879 A KR 20200063879A
Authority
KR
South Korea
Prior art keywords
robot
distance
ltvs
ltv
performance
Prior art date
Application number
KR1020180150128A
Other languages
English (en)
Other versions
KR102141714B1 (ko
Inventor
국태용
김은진
인군교
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020180150128A priority Critical patent/KR102141714B1/ko
Publication of KR20200063879A publication Critical patent/KR20200063879A/ko
Application granted granted Critical
Publication of KR102141714B1 publication Critical patent/KR102141714B1/ko

Links

Images

Classifications

    • 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
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1682—Dual arm manipulator; Coordination of several manipulators
    • 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
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • 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
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1658—Programme controls characterised by programming, planning systems for manipulators characterised by programming language
    • 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
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1669—Programme controls characterised by programming, planning systems for manipulators characterised by special application, e.g. multi-arm co-operation, assembly, grasping

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Manipulator (AREA)

Abstract

본 발명은 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법 및 시스템에 관한 것으로, 본 발명의 일 실시예에 따른 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법은, 로봇의 단위 커버리지 영역을 나타내는 셀에 대응하는 방문 위치(LTV(Location to visit))들이 설정된 작업 공간에 대해, 동일 시간 동안 복수의 로봇이 작업을 완료하도록 LTV를 할당하는 방법에 있어서, 상기 작업 공간의 환경정보 및 LTV들에 기초하여 최적 주행 속도를 산출하는 단계, 상기 최적 주행 속도와 이웃하는 LTV 간 거리에 기초하여 LTV간의 거리지표를 산출하는 단계, 각 로봇의 성능정보에 기초하여 각 로봇의 성능지표 비율을 산출하는 단계, 각 로봇의 현재 위치에 해당하는 LTV를 기준으로 거리지표의 합이 성능지표 비율에 비례하도록 각 로봇에 LTV를 할당하는 단계를 포함한다.

Description

인공지능 기반 환경 적응형 시간 동기화 군집 로봇 커버리지 방법 및 시스템{METHOD AND SYSTEM FOR COVERAGE OF MULTIPLE MOBILE ROBOTS OF ENVIRONMENT ADAPTATION TYPE TIME SYNCHRONIZATION BASED ON ARTIFICIAL INTELLIGENCE}
본 발명은 인공지능 기반 환경 적응형 시간 동기화 군집 로봇 커버리지 방법 및 시스템에 관한 것으로, 더욱 상세하게는 군집로봇에 작업 할당 시, 광역 작업 공간의 환경정보와 각 로봇의 성능에 기초하여 각 로봇에 작업 영역을 할당함으로써, 군집로봇이 동일한 시간 동안 작업을 완료할 수 있는 인공지능 기반 환경 적응형 시간 동기화 군집 로봇 커버리지 방법 및 시스템에 관한 것이다.
로봇 기술은 지금도 꾸준히 발전되고 있으며, 의료용 로봇, 우주 항공 로봇 등 현재 다양한 분야로 하여금 로봇의 활용 범위가 점차 넓어지고 있으나, 이러한 로봇의 수요에 반해 로봇 응용기술의 발전은 느리게 진행되고 있다. 하지만 로봇 기술의 향상이 충분하지 않음에도 불구하고 다양한 임무의 수행과 효율적인 운용을 위해 군집 로봇 시스템이 연구되고 있다. 군집 로봇은 군집을 구성하는 로봇의 종류와 제어 시스템에 따라 다양한 종류가 있으며, 이에 따라 연구자들은 각 군집 로봇의 목적에 맞게 체계를 수립하고 발전시켰다.
한편, 커버리지 알고리즘은 청소 로봇, 지뢰제거 로봇, 잔디 깎는 로봇, 자동 수확 로봇 등과 같은 이동 로봇 분야에 적용되고 있다. 커버리지 알고리즘이 적용된 로봇이 이용되는 분야가 넓어지면서 커버리지 알고리즘 설계는 운용하는 지역의 다양한 환경변수를 고려해야할 필요가 있어졌다. 또한, 광역공간에서 업무를 수행하기 위해 여러 대의 로봇이 업무를 분담하는 군집 로봇에 대한 커버리지 효율적인 영역 분할 문제도 생겨났다. 이에 각 로봇에 업무를 분할할 수 있도록 임무 환경을 모델링하는 연구가 진행되었다.
그러나, 종래에는 군집로봇에 임무를 할당하면서 시간 동기화 기술을 반영하었으나, 로봇이 실제 주행함에 따라 변하는 환경변화를 고려하지 않아, 로봇이 주행하는 환경에 따라 시간 동기화를 하는 부분에 오차가 발생하는 문제가 있었다.
이에, 군집로봇에 임무 할당 시, 로봇이 주행함에 따라 변하는 환경 변화를 고려하여 시간 동기화 커버리지를 할 수 있는 기술 개발이 요구되고 있다.
이와 관련 선행기술로는 대한민국공개특허 제10-2018-0052811호(발명의 명칭: 자율주행 시스템 제작 방법 및 자율주행 시스템)가 있다.
본 발명의 목적은 군집로봇에 작업 할당 시, 동일한 시간 동안 군집로봇이 작업을 완료할 수 있도록, 광역 작업 공간에 대해 각 로봇에 작업 영역을 할당하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법 및 시스템을 제공하는데 있다.
본 발명의 다른 목적은 다양한 환경정보를 반영하여 자율주행 로봇의 주행 속도를 결정할 수 있는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법 및 시스템을 제공하는데 있다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 군집 로봇의 시간 동기화 커버리지를 위한 방법은, 로봇의 단위 커버리지 영역을 나타내는 셀에 대응하는 방문 위치(LTV(Location to visit))들이 설정된 작업 공간에 대해, 동일 시간 동안 복수의 로봇이 작업을 완료하도록 LTV를 할당하는 방법에 있어서, 상기 작업 공간의 환경정보 및 LTV들에 기초하여 최적 주행 속도를 산출하는 단계, 상기 최적 주행 속도와 이웃하는 LTV 간 거리에 기초하여 LTV간의 거리지표를 산출하는 단계, 각 로봇의 성능정보에 기초하여 각 로봇의 성능지표 비율을 산출하는 단계, 각 로봇의 현재 위치에 해당하는 LTV를 기준으로 거리지표의 합이 성능지표 비율에 비례하도록 각 로봇에 LTV를 할당하는 단계를 포함한다.
바람직하게는, 상기 최적 주행 속도는 인공신경망 모델을 이용하여 산출할 수 있다.
바람직하게는, 상기 LTV간의 거리 지표를 산출하는 단계는, 상기 최적 주행 속도와 로봇의 정격 주행 속도의 비를 이웃하는 LTV 간 실제 거리에 곱하여 체감되는 LTV 간 거리를 각각 산출하는 단계, 상기 산출된 LTV 간 거리들 중에서 최소값을 기준 최소단위 거리로 설정하는 단계, 상기 각 LTV 간 거리를 상기 기준 최소단위 거리로 환산하여 각 LTV간 거리지표를 산출하는 단계를 포함할 수 있다.
바람직하게는, 상기 LTV간 거리 지표(
Figure pat00001
)는 아래 수학식을 이용하여 산출할 수 있다.
[수학식]
Figure pat00002
여기서, q는 양의 정수,
Figure pat00003
는 j번째 LTV와 k번째 LTV간의 거리,
Figure pat00004
은 기준 최소단위 거리를 의미함.
바람직하게는, 상기 각 로봇의 성능지표 비율을 산출하는 단계는, 각 로봇의 성능정보, 기준 최소단위 거리를 이용하여 각 로봇의 성능지표를 산출하는 단계, 전체 로봇의 성능지표 중에서 성능지표 최대값을 선택하는 단계, 상기 성능지표 최대값과 각 로봇의 성능지표에 기초하여, 각 로봇의 성능지표 비율을 각각 산출하는 단계를 포함할 수 있다.
바람직하게는, 상기 각 로봇의 성능지표는 아래 수학식을 이용하여 산출할 수 있다.
[수학식]
Figure pat00005
여기서,
Figure pat00006
는 i번째 로봇의 성능지표,
Figure pat00007
는 i번째 로봇의 최대 가속도,
Figure pat00008
는 i번재 로봇의 최대속도를 의미함.
바람직하게는, 상기 성능지표 비율은 각 로봇의 성능 지표와 성능지표 최대값의 비에 대한 정수부일 수 있다.
바람직하게는, 상기 각 로봇에 할당된 LTV의 경로 트리리는 아래 수학식을 이용하여 산출할 수 있다.
[수학식]
Figure pat00009
여기서, oi는 i번째 로봇이 가지는 경로 트리,
Figure pat00010
는 i번째 로봇에 할당된 LTV의 집합 경로 트리, ηi는 i번째 로봇의 성능지표의 비율을 의미함.
본 발명의 다른 실시예에 따른 로봇의 단위 커버리지 영역을 나타내는 셀에 대응하는 방문 위치(LTV(Location to visit))들이 설정된 작업 공간에 대해, 동일 시간 동안 복수의 로봇이 작업을 완료하도록 LTV를 할당하는 장치에 있어서, 상기 작업 공간의 환경정보 및 LTV들에 기초하여 최적 주행 속도를 산출하는 최적 속도 모듈, 상기 산출된 최적 주행 속도와 각 로봇의 성능정보에 기초하여 각 로봇이 작업을 수행할 LTV을 할당하는 행위 계획 모듈을 포함한다.
바람직하게는, 상기 행위 계획 모듈은, 상기 최적 주행 속도와 이웃하는 LTV 간 거리에 기초하여 LTV간의 거리지표를 산출하는 거리지표 산출부, 각 로봇의 성능정보에 기초하여 각 로봇의 성능지표 비율을 산출하는 성능지표 산출부, 각 로봇의 현재 위치에 해당하는 LTV를 기준으로 거리지표의 합이 성능지표 비율에 비례하도록 각 로봇에 LTV를 할당하는 영역 할당부를 포함할 수 있다.
본 발명에 따르면, 군집로봇에 작업 할당 시, 광역 작업 공간의 환경정보와 각 로봇의 성능에 기초하여 각 로봇에 작업 영역을 할당함으로써, 군집로봇들은 동일한 시간 동안 작업을 완료할 수 있다.
또한, 다양한 환경정보를 반영하여 자율주행 로봇의 주행 속도를 결정함으로써 최적 주행의 실현이 가능하다.
한편, 본 발명의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 로봇의 최적 주행 속도를 학습시키기 위한 인공지능 신경망 모델을 설명하기 위한 도면이다.
도 3은 도 1에 도시된 행위 계획 모듈의 기능을 설명하기 위한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 로봇의 성능지표 정의를 위한 Minimum time velocity profile을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법을 설명하기 위한 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수개의 관련된 기재된 항목들의 조합 또는 복수개의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 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 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 시스템을 설명하기 위한 도면, 도 2는 본 발명의 일 실시예에 따른 로봇의 최적 주행 속도를 학습시키기 위한 인공지능 신경망 모델을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 시스템은 영역 할당 장치(100) 및 군집 로봇(200)을 포함한다. 여기서, 시간 동기화 로봇 커버리지는 로봇의 단위 커버리지 영역을 나타내는 셀에 대응하는 방문 위치(LTV(Location to visit))들이 설정된 작업 공간에 대해, 동일 시간 동안 복수의 로봇이 작업을 완료하도록 LTV를 할당하는 것을 의미한다.
군집로봇(200)은 광역공간에서 업무를 수행하기 위해 여러 대의 로봇이 업무를 분담하는 로봇일 수 있다. 이러한, 군집 로봇(200)은 육상의 이동 로봇이나 공중의 비행 로봇뿐만 아니라 무인 수상정(USV, unmanned surface vehicle), 무인 잠수정(ROV, remotely operated underwater vehicle), 자율 무인 잠수정(AUV, autonomous underwater vehicle) 등의 해양 군집 로봇 등이 될 수도 있다. 또한 모든 로봇이 동일한 하드웨어를 가지고 있는 동종 로봇이거나 다른 하드웨어를 가지고 있는 이종 로봇을 가리지 않는다.
영역 할당 장치(100)는 로봇의 성능과 환경정보가 반영된 거리에 따른 각 로봇의 성능지표를 통해 군집로봇(200)에 광역공간의 각 영역(LTV)을 할당한다. 즉, 영역 할당 장치(100)는 로봇의 단위 커버리지 영역을 나타내는 셀에 대응하는 방문 위치(LTV(Location to visit))들이 설정된 작업 공간에 대해, 동일 시간 동안 복수의 로봇이 작업을 완료하도록 LTV를 할당한다. 여기서, 각 방문 위치는 영역 커버리지 또는 센서 커버리지 문제에 대하여 이동 로봇의 단위 커버리지 영역을 나타내는 셀의 중앙에 대응할 수 있다. 예컨대, 작업 공간에 m×r개의 방문 위치가 설정된 경우, 영역 할당 장치(100)는 m×r개의 방문 위치를 경로 트리(path tree)에 따라 군집로봇(예컨대, n개의 로봇)에 적절히 할당한다. n개의 로봇은 제한된 시간내에서 가능한 한 빠르게 할당된 방문 위치를 방문할 것이 요구된다.
이러한, 영역 할당 장치(100)는 환경 모듈(environment module)(110), 최적 속도 모듈(180), 미션 계획 모듈(mission planner)(120), 행위 계획 모듈(behavior planner)(130), 행위 조정 모듈(behavior coordinator)(140), 행위 실행 모듈(behavior executor)(150), 인식 모듈(perception module)(160), 비상 행위 계획 모듈(emergency behavior planner)(170)을 포함한다.
환경 모듈(110)은 지도와 같은 주변 환경에 대한 정보, 즉 환경 정보를 가지고 있는 모듈로서 환경 데이터베이스를 포함할 수 있다.
환경 모듈(110)은 군집 로봇이 작업을 수행할 작업 공간에 대한 환경정보를 최적 속도 모듈(180)에 제공한다. 여기서, 작업 공간에 대한 환경정보는 도로의 종류, 도로의 재질, 노면 조건 등을 포함하고, 도로의 재질은 콘트리트, 아스팔트, 흙, 보도블록 등을 포함할 수 있고, 노면조건은 노면상태, 경사, 단차, 곡선반경, 날씨 등을 포함할 수 있다.
최적 속도 모듈(180)은 로봇이 이동해야 할 경로점(이하, LTV(Location to visit)라 칭함)들이 설정된 작업 공간에 대해, 그 작업 공간의 환경정보 및 LTV들에 기초하여 최적 주행 속도를 산출한다. 최적 속도 모듈(180)은 산출된 최적 주행 속도를 행위 계획 모듈(130)로 전송한다. 이때, 최적 속도 모듈(180)은 인공지능신경망 모델을 이용할 수 있다.
인공신경망 모델을 도로의 재질별(예를 들어, 콘크리트, 아스팔트, 흙, 보도블록 등)로 구성된다. 재질별로 구성된 인공신경망 모델은 동일한 구조를 가진다.
최적 주행 속도를 구하기 위한 인공신경망 모델은 도 2와 같이 총 7가지의 인공신경망 모델을 포함할 수 있다. 첫 번째 인공신경망 모델(A)은 노면의 상태를 입력으로 받아 마찰계수를 출력한다. 마찰계수에 중력가속도, 경사 및 무게를 곱해서 마찰력을 구한다. 두 번째 인공신경망 모델은(B)은 마찰력을 입력으로 받아 속도를 출력한다. 세 번째 인공신경망 모델(C)은 경사를 입력으로 받아 속도를 출력한다. 네 번째 인공신경망 모델(D)는 단차를 입력으로 받아 속도를 출력한다. 다섯 번째 인공신경망 모델(E)은 곡선반경을 입력으로 받아 속도를 출력한다. 여섯 번째 (F)은 날씨를 입력받아 속도를 출력한다. 마지막으로 인공신경망 모델 (G)은 (B) ~ (F)의 출력을 입력으로 받아 로봇의 최적 주행 속도를 출력한다. 이러한 구조의 인공신경망 모델은 로봇이 주행하는 각 구간에서 사용되며, 지도의 전체 각 구간에 대해 환경조건(도로의 재질, 노면상태, 경사, 단차, 곡선반경 그리고 날씨)으로 인한 최적 주행 속도를 도출하게 된다.
미션 계획 모듈(120)은 사용자가 입력한 특정 임무를 로봇이 수행할 수 있는 태스크로 변환하여 행위 계획 모듈(130)에 전달한다. 미션 계획 모듈(120)은 미션 데이터베이스를 포함할 수 있으며, 이에는 감시 및 정찰, 기회탐색, 전투 등의 태스크 정보가 포함되어 있다.
행위 계획 모듈(130)은 대형 제어, 커버리지, 경로 추종 등과 같이 전체적인 임무와 일정에 관련된 내용을 총괄하고, 그에 대한 평가와 함께 파라미터 조정을 통해 효과적으로 임무를 수행하는 역할을 한다. 각 로봇이 수행하고자 하는 태스크에 대한 내용을 실제로 로봇에 적용하기 위한 첫 번째 단계로서, 주어진 태스크에 해당하는 경로 트리를 행위 조정 모듈(140)에 전달한다.
행위 계획 모듈(130)은 최적 속도 모듈(180)로부터 전달받은 최적 주행 속도와 각 로봇의 성능에 기초하여 군집로봇 각각에 임무를 수행할 영역(LTV)을 할당한다.
이러한 행위 계획 모듈(130)에 대한 상세한 설명은 도 3을 참조하기로 한다.
행위 조정 모듈(140)은 로봇에 탑재되어 있는 행위를 조직하고 조정하는 기능을 한다. 행위 조정 모듈(140)은 행위 계획 모듈(130)로부터 전달받은 각 로봇의 경로 트리를 기본 행위(primitive behavior)로 분할하여 목표점을 계산하여 출력한다.
행위 조정 모듈(140)은 인식모듈(160)에서 주변 상황에 대한 정보가 전처리되어 나온 정보(위치, 장애물 정보 등)와 같은 현재 상태 데이터와 행위 계획 모듈(130)에서 전달된 경로 트리 입력을 통해 어떤 기본 행위를 해야 하는지 정한 후, 그 행위를 하기 위해서 로봇이 이동해야 할 경로 트리(timed waypoint tree)를 행위 실행 모듈(150)로 전달한다. 즉, 현재 행위의 순서 및 속성을 조정하는데 인식 모듈(160)에서 전처리된 정보가 사용된다. 기본 행위는 세부 대형, 경로 추적, 리더 로봇 추종, 장애물 회피, 다음 목표 탐지 등과 같은 행위일 수 있으며, 기본 행위 데이터베이스(미도시)에 기억되어 있다.
행위 실행 모듈(150)은 각 로봇을 제어하기 위한 속도 제어 신호나 조향 제어 신호를 출력한다.
행위 실행 모듈(150)은 행위 조정 모듈(140)로부터 경로 트리를 전달받고, 인식 모듈(160)로부터 현재의 상태(위치와 방향)를 전달받아 현재 위치와 목표 위치(target waypoint) 사이의 거리와 로봇의 현재 상태를 고려하여 어떤 속도로 움직여야 할지에 대한 속도 프로파일을 계산한다. 속도 프로파일은 잔여 거리를 계산한 후 선속도를 생성하거나, 잔여 각도를 계산한 후 각속도를 생성함으로써 계산된다. 또한, 행위 실행 모듈은 계산된 속도를 내기 위하여 각 로봇에 어떤 신호를 주어야 할지 로봇의 종류 및 특성에 맞게 계산한 후 최종적으로 로봇에 주어야 할 입력 신호를 생성하여 전달한다. 입력 신호는 모터나 액추에이터를 구동하기 위한 PWM 전압일 수 있으나 이에 한정되지 않는다. 또한 속도에 대응하는 전류 명령을 입력 신호로 이용할 수도 있다.
인식 모듈(160)은 외부 환경 정보를 받아 전처리한 후 처리된 데이터를 환경 모듈(110) 및 행위 조정 모듈(140)로 전달한다.
인식 모듈(160)은 각 로봇의 센서(210)를 통해 들어온 미가공 센서 데이터(raw sensor data)를 이용하여 전처리한 데이터를 행위 조정 모듈(140)로 전달하여 행위 조정 모듈(140)에서 행위의 순서 및 속성을 조정하는 데 영향을 준다.
인식 모듈(160)은 비전 센서, 적외선 센서, 레이저 거리 측정기(LRF), 위성항법장치(GPS), 자세방위기준장치(AHRS) 등과 같은 센서(210)로부터 미가공 데이터를 받아 장애물 판별, 로봇의 위치 인식, 사물 인식을 한다. 그리고 전처리된 데이터(위치, 속도, 방향, 로봇의 현재 상태, 장애물 정보)를 행위 조정 모듈(140)로 전달한다. 또한 전처리된 데이터는 환경 모듈(110)의 환경 데이터베이스를 업데이트하는 데 사용된다.
비상 행위 계획 모듈(170)은 통신 두절이나 센서 고장 등과 같이 긴급 상황일 경우 행위 계획 모듈(130)까지 올라가지 않고 행위 조정 모듈(140)에서 대응 가능하도록 하는 기능이다.
비상 행위 계획 모듈(170)은 통신 두절이나 센서 고장 등을 알리는 비상 데이터(emergency data)가 입력되면 동작하게 된다. 비상 행위 계획 모듈(173)은 비상 데이터가 입력되면 어떠한 종류의 긴급 상황인지 판단을 하고, 이와 더불어 로봇(200)의 센서(210)에서 입력된 미가공 센서 데이터를 이용하여 기 구비된 비상 행위 데이터베이스(미도시)로부터 자율 복귀 행위, 대체 항법 행위, 충돌 회피행위 등의 비상 행위(emergency behavior)를 선택하여 합성 행위 리스트(composite behavior list)를 구성한다. 이렇게 구성된 합성 행위 리스트를 행위 조정 모듈(140)로 전달한다. 이와 같이 비상 행위 모듈(170)을 통하면 긴급한 상황에서 좀 더 빠르게 상황을 대처할 수 있다.
도 3은 도 1에 도시된 행위 계획 모듈의 기능을 설명하기 위한 블록도, 도 4는 본 발명의 일 실시예에 따른 로봇의 성능지표 정의를 위한 Minimum time velocity profile을 설명하기 위한 도면이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 행위 계획 모듈(130)은 거리 지표 산출부(132), 성능지표 산출부(134), 영역 할당부(136)를 포함한다.
거리 지표 산출부(132)는 최적 주행 속도와 이웃하는 LTV 간 거리에 기초하여 LTV간의 거리지표를 산출한다.
즉, 거리 지표 산출부(132)는 최적 주행 속도와 로봇의 정격 주행 속도의 비를 이웃하는 LTV 간 실제 거리에 곱하여 체감되는 LTV 간 거리를 각각 산출한다. 이때, 거리 지표 산출부(132)는 아래 수학식 1을 이용하여 체감되는 LTV간 거리(
Figure pat00011
)를 산출한다.
[수학식 1]
Figure pat00012
여기서,
Figure pat00013
는 j번째 LTV(
Figure pat00014
)와 k번째 LTV(
Figure pat00015
)간의 거리,
Figure pat00016
는 j번째 LTV와 k번째 LTV간의 최적 주행속도,
Figure pat00017
는 로봇의 정격 주행 속도를 의미할 수 있다. j번째 LTV(
Figure pat00018
)와 k번째 LTV(
Figure pat00019
)는 서로 이웃하는 LTV일 수 있다.
LTV 간 실제 거리에는 장애물 등에 의해 최적 주행 속도가 다르다. 이에, 수학식 1과 같이 LTV 간 실제 거리에 최적 주행 속도와 정격 주행 속도의 비를 곱하면, 실제로는 동일한 거리일지라도 최적 주행 속도가 느린 LTV간 거리는 최적 주행 속도가 빠른 LTV간 거리보다 더 길게 느껴질 것이다. 이를 체감되는 LTV간 거리라 할 수 있다.
체감되는 LTV간 거리가 산출되면, 거리지표 산출부(132)는 LTV 간 거리들 중에서 최소값을 기준 최소단위 거리로 설정한다. 즉, 거리지표 산출부(132)는 아래 수학식 2와 같이 수학식 1에서 구한 LTV간 거리들 중에서 최소값을 갖는 LTV간 거리를 기준 최소단위 거리(
Figure pat00020
)로 설정한다.
[수학식 2]
Figure pat00021
기준 최소단위 거리가 설정되면, 거리지표 산출부(132)는 각 LTV 간 거리를 기준 최소단위 거리로 환산하여 각 LTV간 거리지표를 산출한다. 즉, 거리지표 산출부(132)는 두 LTV 간의 거리를 기준 최소단위 거리로 환산한 정수비를 산출하고, 이를 LTV간 거리지표로 설정한다. 다시 말하면, 거리지표 산출부(132)는 아래 수학식 3을 이용하여 LTV간 거리지표인 S 지수(
Figure pat00022
)를 산출할 수 있다.
[수학식 3]
Figure pat00023
여기서, q는 양의 정수,
Figure pat00024
는 j번째 LTV와 k번째 LTV간의 거리,
Figure pat00025
은 기준 최소단위 거리를 의미할 수 있다.
수학식 3을 통해 산출된
Figure pat00026
는 두 LTV 간 거리지표인 S지수로, 두 LTV 간의 거리를 기준 최소단위 거리로 환산한 정수비일 수 있다.
성능지표 산출부(134)는 각 로봇의 성능정보에 기초하여 각 로봇의 성능지표 비율을 산출한다. 즉, 성능지표 산출부(134)는 각 로봇의 성능정보, 기준 최소단위 거리 등을 이용하여 각 로봇의 성능지표를 산출한다. 여기서, 로봇의 성능정보는 로봇의 최대 가속도, 최대 속도 등을 포함할 수 있고, 성능지표 산출부(134)는 도 4와 같은 로봇의 삼각형 형태 또는 사다리꼴 형태 Minimum time velocity profile을 이용하여 로봇 성능지표를 정의할 수 있다. 로봇의 성능지표는 LTV 간의 거리와 로봇의 최대속도 및 최대가속도로 결정된다. 즉, 최대가속도를 가지고 최대속도에 도달할 때에 그 면적이 Lmin에 보다 크다면 로봇이 삼각형 형태의 속도 프로파일을 가지게 되고, 반대일 경우는 로봇이 사다리꼴 속도 프로파일을 가지게 된다.
따라서, 성능지표 산출부(134)는 아래 수학식 4를 이용하여 각 로봇의 성능지표(
Figure pat00027
)를 산출한다.
[수학식 4]
Figure pat00028
여기서,
Figure pat00029
는 i번째 로봇의 성능지표,
Figure pat00030
는 i번째 로봇의 최대 가속도,
Figure pat00031
는 i번째 로봇의 최대속도를 의미할 수 있다.
각 로봇의 성능지표가 산출되면, 성능지표 산출부(134)는 n대의 로봇이 갖는 성능지표 중 최대값(
Figure pat00032
)를 선택한다.이는 아래 수학식 5와 같이 표현할 수 있다.
[수학식 5]
Figure pat00033
그런 후, 성능지표 산출부(134)는 성능지표 최대값과 각 로봇의 성능지표에 기초하여, 각 로봇의 성능지표 비율을 각각 산출한다. 이때, 성능지표 비율은 각 로봇의 성능 지표(
Figure pat00034
)와 성능지표 최대값(
Figure pat00035
)의 비에 대한 정수부일 수 있다. 따라서, 성능지표 산출부(134)는 아래 수학식 6을 이용하여
Figure pat00036
와
Figure pat00037
의 비를 정수화한 성능지표 비율(
Figure pat00038
)을 산출할 수 있다.
[수학식 6]
Figure pat00039
여기서,
Figure pat00040
는 i번째 로봇의 성능지표 비율일 수 있다.
영역 할당부(136)는 각 로봇의 현재 위치에 해당하는 LTV를 기준으로 거리지표의 합이 성능지표 비율에 비례하도록 각 로봇에 LTV를 할당한다. 즉, 영역 할당부(136)는 S지수의 합이
Figure pat00041
에 비례하도록 각 로봇에 영역(LTV)를 할당하는 구성으로, 아래 수학식 7과 같이 각 로봇에 적어도 하나 이상의 LTV를 할당한다.
[수학식 7]
Figure pat00042
여기서, oi는 i번째 로봇이 가지는 경로 트리,
Figure pat00043
는 i번째 로봇에 할당된 LTV의 집합 경로 트리, ηi는 i번째 로봇의 성능지표의 비율을 의미할 수 있다.
수학식 7은 i번째 로봇이 가지는 경로의 비율은 i번째 로봇이 가지는 성능지표와 비례하게 할당됨을 알 수 있다. 이때, 각 로봇의 현재 위치(초기 위치)는 미리 정해져있고, 로봇의 초기위치에 따라 할당되는 좌표가 달라질 수도 있다.
상기와 같이 구성된 행위 계획 모듈(130)은 로봇의 성능과 환경정보가 반영된 거리에 따른 각 로봇의 성능지표를 통해 군집로봇이 최적화된 시간 동기화 커버리지를 할 수 있도록 한다.
도 5는 본 발명의 일 실시예에 따른 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법을 설명하기 위한 흐름도이다.
도 5를 참조하면, 장치는 작업 공간의 환경정보 및 LTV들에 기초하여 최적 주행 속도를 산출한다(S510). 즉, 장치는 로봇이 방문해야 할 방문위치(LTV(Location to visit))들이 설정된 작업 공간의 환경정보와 LTV들을 인공신경망 모델에 적용하여 각 LTV간의 최적 주행 속도를 산출한다. 전체 작업 공간 L은
Figure pat00044
으로 표현할 수 있다. 여기서,
Figure pat00045
는 좌표(x, y)의 방문위치(LTV(Location to visit))를 의미할 수 있다.
단계 S510이 수행되면, 장치는 최적 주행 속도와 로봇의 정격 주행 속도의 비를 이웃하는 LTV 간 실제 거리에 곱하여 체감되는 LTV 간 거리(
Figure pat00046
)를 각각 산출한다(S520). 이때, 장치는 수학식 1을 이용하여 LTV간 거리를 산출할 수 있다.
단계 S520이 수행되면, 장치는 산출된 LTV 간 거리들 중에서 최소값을 기준 최소단위 거리(
Figure pat00047
)로 설정하고(S530), 각 LTV 간 거리를 기준 최소단위 거리로 환산하여 각 LTV간 거리지표(
Figure pat00048
)를 산출한다(S540). 이때, 장치는 수학식 3을 이용하여 각 LTV간 거리지표인 S지수를 산출할 수 있다.
단계 S530이 수행되면, 장치는 각 로봇의 성능정보, 기준 최소단위 거리를 이용하여 각 로봇의 성능지표(
Figure pat00049
)를 산출한다(S550). 이때, 장치는 수학식 4를 이용하여 각 로봇의 성능지표를 산출할 수 있다.
단계 S550이 수행되면, 장치는 산출된 n대의 로봇의 성능지표 중 에서 최대값(
Figure pat00050
)를 선택하고(S560), 선택된 성능지표 최대값과 각 로봇의 성능지표에 기초하여, 각 로봇의 성능지표 비율(
Figure pat00051
)을 각각 산출한다(S570). 이때, 성능지표 비율은 각 로봇의 성능 지표(
Figure pat00052
)와 성능지표 최대값(
Figure pat00053
)의 비에 대한 정수부일 수 있다.
단계 S570이 수행되면, 장치는 각 로봇의 현재 위치에 해당하는 LTV를 기준으로 거리지표의 합이 성능지표 비율에 비례하도록 각 로봇에 LTV를 할당한다(S580). 즉, 장치는 수학식 7과 같이 각 로봇에 LTV를 할당할 수 있다.
상기와 같은 과정을 통해 군집로봇에 작업 할당 시, 광역 작업 공간의 환경정보와 각 로봇의 성능에 기초하여 각 로봇에 작업 영역을 할당함으로써, 군집로봇들은 동일한 시간 동안 작업을 완료할 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100 : 영역 할당 장치
110 : 환경 모듈(environment module)
120 : 미션 계획 모듈(mission planner)
130 : 행위 계획 모듈(behavior planner)
132 : 거리 지표 산출부
134 : 성능지표 산출부
136 : 영역 할당부
140 : 행위 조정 모듈(behavior coordinator)
150 : 행위 실행 모듈(behavior executor)
160 : 인식 모듈(perception module)
170 : 비상 행위 계획 모듈(emergency behavior planner)
180 : 최적 속도 모듈

Claims (10)

  1. 로봇의 단위 커버리지 영역을 나타내는 셀에 대응하는 방문 위치(LTV(Location to visit))들이 설정된 작업 공간에 대해, 동일 시간 동안 복수의 로봇이 작업을 완료하도록 LTV를 할당하는 방법에 있어서,
    상기 작업 공간의 환경정보 및 LTV들에 기초하여 최적 주행 속도를 산출하는 단계;
    상기 최적 주행 속도와 이웃하는 LTV 간 거리에 기초하여 LTV간의 거리지표를 산출하는 단계;
    각 로봇의 성능정보에 기초하여 각 로봇의 성능지표 비율을 산출하는 단계; 및
    각 로봇의 현재 위치에 해당하는 LTV를 기준으로 거리지표의 합이 성능지표 비율에 비례하도록 각 로봇에 LTV를 할당하는 단계;
    를 포함하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법.
  2. 제1항에 있어서,
    상기 최적 주행 속도는 인공신경망 모델을 이용하여 산출하는 것을 특징으로 하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법.
  3. 제1항에 있어서,
    상기 LTV간의 거리 지표를 산출하는 단계는,
    상기 최적 주행 속도와 로봇의 정격 주행 속도의 비를 이웃하는 LTV 간 실제 거리에 곱하여 체감되는 LTV 간 거리를 각각 산출하는 단계;
    상기 산출된 LTV 간 거리들 중에서 최소값을 기준 최소단위 거리로 설정하는 단계; 및
    상기 각 LTV 간 거리를 상기 기준 최소단위 거리로 환산하여 각 LTV간 거리지표를 산출하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법.
  4. 제3항에 있어서,
    상기 LTV간 거리 지표(
    Figure pat00054
    )는 아래 수학식을 이용하여 산출하는 것을 특징으로 하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법
    [수학식]
    Figure pat00055

    여기서, q는 양의 정수,
    Figure pat00056
    는 j번째 LTV와 k번째 LTV간의 거리,
    Figure pat00057
    은 기준 최소단위 거리를 의미함.
  5. 제1항에 있어서,
    상기 각 로봇의 성능지표 비율을 산출하는 단계는,
    각 로봇의 성능정보, 기준 최소단위 거리를 이용하여 각 로봇의 성능지표를 산출하는 단계;
    전체 로봇의 성능지표 중에서 성능지표 최대값을 선택하는 단계; 및
    상기 성능지표 최대값과 각 로봇의 성능지표에 기초하여, 각 로봇의 성능지표 비율을 각각 산출하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법.
  6. 제5항에 있어서,
    상기 각 로봇의 성능지표는 아래 수학식을 이용하여 산출하는 것을 특징으로 하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법
    [수학식]
    Figure pat00058

    여기서,
    Figure pat00059
    는 i번째 로봇의 성능지표,
    Figure pat00060
    는 i번째 로봇의 최대 가속도,
    Figure pat00061
    는 i번재 로봇의 최대속도를 의미함.
  7. 제5항에 있어서,
    상기 성능지표 비율은 각 로봇의 성능 지표와 성능지표 최대값의 비에 대한 정수부인 것을 특징으로 하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법.
  8. 제1항에 있어서,
    상기 각 로봇에 할당된 LTV의 경로 트리리는 아래 수학식을 이용하여 산출하는 것을 특징으로 하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지 방법
    [수학식]
    Figure pat00062

    여기서, oi는 는 i번째 로봇이 가지는 경로 트리,
    Figure pat00063
    는 i번째 로봇에 할당된 LTV의 집합 경로 트리, ηi는 i번째 로봇의 성능지표의 비율을 의미함.
  9. 로봇의 단위 커버리지 영역을 나타내는 셀에 대응하는 방문 위치(LTV(Location to visit))들이 설정된 작업 공간에 대해, 동일 시간 동안 복수의 로봇이 작업을 완료하도록 LTV를 할당하는 장치에 있어서,
    상기 작업 공간의 환경정보 및 LTV들에 기초하여 최적 주행 속도를 산출하는 최적 속도 모듈; 및
    상기 산출된 최적 주행 속도와 각 로봇의 성능정보에 기초하여 각 로봇이 작업을 수행할 LTV을 할당하는 행위 계획 모듈
    을 포함하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지를 위한 장치.
  10. 제9항에 있어서,
    상기 행위 계획 모듈은,
    상기 최적 주행 속도와 이웃하는 LTV 간 거리에 기초하여 LTV간의 거리지표를 산출하는 거리지표 산출부;
    각 로봇의 성능정보에 기초하여 각 로봇의 성능지표 비율을 산출하는 성능지표 산출부; 및
    각 로봇의 현재 위치에 해당하는 LTV를 기준으로 거리지표의 합이 성능지표 비율에 비례하도록 각 로봇에 LTV를 할당하는 영역 할당부를 포함하는 것을 특징으로 하는 인공지능 기반 환경 적응형 시간 동기화 로봇 커버리지를 위한 장치.
KR1020180150128A 2018-11-28 2018-11-28 인공지능 기반 환경 적응형 시간 동기화 군집 로봇 커버리지 방법 및 시스템 KR102141714B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180150128A KR102141714B1 (ko) 2018-11-28 2018-11-28 인공지능 기반 환경 적응형 시간 동기화 군집 로봇 커버리지 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180150128A KR102141714B1 (ko) 2018-11-28 2018-11-28 인공지능 기반 환경 적응형 시간 동기화 군집 로봇 커버리지 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20200063879A true KR20200063879A (ko) 2020-06-05
KR102141714B1 KR102141714B1 (ko) 2020-08-05

Family

ID=71088992

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180150128A KR102141714B1 (ko) 2018-11-28 2018-11-28 인공지능 기반 환경 적응형 시간 동기화 군집 로봇 커버리지 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102141714B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102292733B1 (ko) * 2020-06-08 2021-08-20 롯데정보통신 주식회사 복수의 이동 로봇의 자율 주행을 위한 비동기 분산 방식의 인공지능 모델 할당 시스템 및 그 방법
KR102572535B1 (ko) * 2022-09-27 2023-08-30 국방과학연구소 군사용 전투 자원 제어 시스템, 군사용 전투 자원 제어 방법, 및 상기 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100448381B1 (ko) * 2002-06-28 2004-09-10 현대자동차주식회사 자동변속기의 변속 제어방법 및 장치
JP5188316B2 (ja) * 2008-08-06 2013-04-24 株式会社Ｉｈｉ 移動ロボット及び移動ロボットの走行速度制御方法
KR20140086245A (ko) * 2012-12-28 2014-07-08 레드원테크놀러지 주식회사 제한된 시간 내에서의 로봇 커버리지 방법 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100448381B1 (ko) * 2002-06-28 2004-09-10 현대자동차주식회사 자동변속기의 변속 제어방법 및 장치
JP5188316B2 (ja) * 2008-08-06 2013-04-24 株式会社Ｉｈｉ 移動ロボット及び移動ロボットの走行速度制御方法
KR20140086245A (ko) * 2012-12-28 2014-07-08 레드원테크놀러지 주식회사 제한된 시간 내에서의 로봇 커버리지 방법 및 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102292733B1 (ko) * 2020-06-08 2021-08-20 롯데정보통신 주식회사 복수의 이동 로봇의 자율 주행을 위한 비동기 분산 방식의 인공지능 모델 할당 시스템 및 그 방법
KR102572535B1 (ko) * 2022-09-27 2023-08-30 국방과학연구소 군사용 전투 자원 제어 시스템, 군사용 전투 자원 제어 방법, 및 상기 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체

Also Published As

Publication number Publication date
KR102141714B1 (ko) 2020-08-05

Similar Documents

Publication Publication Date Title
JP6494872B2 (ja) 車両の運動を制御する方法、及び車両の制御システム
LaValle et al. Randomized kinodynamic planning
Khatib Real-time obstacle avoidance for manipulators and mobile robots
Ergezer et al. 3D path planning for multiple UAVs for maximum information collection
JP2019519851A (ja) 車両を制御する方法及びシステム
Nieuwenhuisen et al. Layered mission and path planning for MAV navigation with partial environment knowledge
Shanmugavel et al. Collision avoidance and path planning of multiple UAVs using flyable paths in 3D
Saska et al. Formation control of unmanned micro aerial vehicles for straitened environments
KR20170071443A (ko) 군집 로봇의 행위 기반 분산 제어 시스템 및 방법
Arokiasami et al. Interoperable multi-agent framework for unmanned aerial/ground vehicles: towards robot autonomy
US20220204030A1 (en) Systems and methods for risk-sensitive sequential action control for robotic devices
KR102141714B1 (ko) 인공지능 기반 환경 적응형 시간 동기화 군집 로봇 커버리지 방법 및 시스템
Barberá et al. I-Fork: a flexible AGV system using topological and grid maps
Viana et al. Formation control of multirotor aerial vehicles using decentralized MPC
Madridano et al. Obstacle avoidance manager for UAVs swarm
KR20210008605A (ko) 이동 로봇 플랫폼 시스템 및 그 운용 방법
Al-Kaff et al. Ros-based approach for unmanned vehicles in civil applications
Roy et al. A hierarchical route guidance framework for off-road connected vehicles
Tusseyeva et al. 3D global dynamic window approach for navigation of autonomous underwater vehicles
Thusoo et al. An evaluation of UAV path following and collision avoidance using NFMGOA control algorithm
Ali et al. Mobile robotics, moving intelligence
Ventura Safe and flexible hybrid control architecture for the navigation in formation of a group of vehicles
CN114063632A (zh) 用于在地面区域内支持一个或多个机器人的设备和方法
Yu et al. Vision-based local multi-resolution mapping and path planning for miniature air vehicles
Watanabe et al. Optimal trajectory generation of a drone for wheelchair tracking using mixed-integer programming

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant