WO2018038551A1 - 이동 로봇 및 그 제어방법 - Google Patents

이동 로봇 및 그 제어방법 Download PDF

Info

Publication number
WO2018038551A1
WO2018038551A1 PCT/KR2017/009257 KR2017009257W WO2018038551A1 WO 2018038551 A1 WO2018038551 A1 WO 2018038551A1 KR 2017009257 W KR2017009257 W KR 2017009257W WO 2018038551 A1 WO2018038551 A1 WO 2018038551A1
Authority
WO
WIPO (PCT)
Prior art keywords
obstacle
image
mobile robot
unit
sensor
Prior art date
Application number
PCT/KR2017/009257
Other languages
English (en)
French (fr)
Inventor
노동기
이주현
김정환
백승민
양원근
Original Assignee
엘지전자 주식회사
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
Priority claimed from KR1020160108384A external-priority patent/KR102548936B1/ko
Priority claimed from KR1020160108385A external-priority patent/KR20180023302A/ko
Priority claimed from KR1020160108386A external-priority patent/KR20180023303A/ko
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to US16/327,452 priority Critical patent/US20190179333A1/en
Priority to JP2019510881A priority patent/JP6861797B2/ja
Priority to AU2017316089A priority patent/AU2017316089B2/en
Priority to EP17843971.7A priority patent/EP3505310B1/en
Priority to CN201780066252.6A priority patent/CN109890575B/zh
Publication of WO2018038551A1 publication Critical patent/WO2018038551A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/008—Manipulators for service tasks
    • B25J11/0085—Cleaning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B25J19/021—Optical sensing devices
    • B25J19/023—Optical sensing devices including video camera means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J5/00—Manipulators mounted on wheels or on carriages
    • B25J5/007—Manipulators mounted on wheels or on carriages mounted on wheels
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled 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
    • 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
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B25J9/1666—Avoiding collision or forbidden zones
    • 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
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0272—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising means for registering the travel distance, e.g. revolutions of wheels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Definitions

  • An object of the present invention is to provide a mobile robot and a control method thereof capable of accurately recognizing the properties of obstacles based on machine learning.
  • the mobile robot can perform machine learning efficiently and extract data that can be used for obstacle property recognition.
  • 1 is a view referred to in the description of the obstacle detection and avoiding method of the conventional mobile robot.
  • FIG. 2 is a perspective view showing a mobile robot and a charging table for charging the mobile robot according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating an upper surface of the mobile robot shown in FIG. 2.
  • 6 and 7 are block diagrams showing the control relationship between the main components of the mobile robot according to an embodiment of the present invention.
  • FIG. 8 is an example of a simplified internal block diagram of a server according to an embodiment of the present invention.
  • 9 to 12 are diagrams referred to for describing deep learning.
  • 29 is a flowchart illustrating a control method of a mobile robot according to an embodiment of the present invention.
  • 30 to 34 are views referred to for describing a method for controlling a mobile robot according to an embodiment of the present invention.
  • the battery 138 supplies not only a driving motor but also power necessary for the overall operation of the mobile robots 100, 100a and 100b.
  • the mobile robots 100, 100a and 100b may travel to return to the charging station 200 for charging. During this return driving, the mobile robots 100, 100a and 100b may be used. Can detect the position of the charging station 200 by itself.
  • the mobile robot 100, 100a, 100b may include a pattern optical sensor (not shown).
  • the pattern light sensor may be provided in the main body 110, and irradiates an optical pattern to an active area in which the mobile robots 100, 100a, and 100b are active, and photographs an area to which the pattern light is irradiated.
  • An input image can be obtained.
  • the pattern light may be light of a specific pattern such as a cross pattern.
  • the pattern irradiator may irradiate light toward the front of the main body, and the pattern image acquirer acquires an input image by capturing an area to which the pattern light is irradiated.
  • the pattern image acquisition unit may include a camera, and the camera may be a structured light camera.
  • the charging stand 200 may include two or more location marks spaced apart from each other at regular intervals.
  • the map generation module 143 detects a feature from each of the acquired images.
  • Various methods of detecting a feature from an image are well known in the field of computer vision technology.
  • Several feature detectors are known that are suitable for the detection of these features. Examples include Canny, Sobel, Harris & Stephens / Plessey, SUSAN, Shi & Tomasi, Level curve curvature, FAST, Laplacian of Gaussian, Difference of Gaussians, Determinant of Hessian, MSER, PCBR, and Gray-level blobs detectors.
  • the SIFT can detect an invariant feature with respect to the scale, rotation, and brightness change of the photographing target, and thus the same area is not changed even when the mobile robot 100 is photographed with different postures.
  • -invariant)) feature can be detected.
  • HOG Histogram of Oriented Gradient
  • Haar feature Haar feature
  • Fems Fems
  • LBP Local Binary Pattern
  • MCT Modified Census Transform
  • the map generation module 143 may obtain a feature distribution of each location through the above process.
  • Each positional feature distribution can be represented by a histogram or an n-dimensional vector.
  • the map generation module 143 may estimate an unknown current position based on a descriptor calculated from each feature point without passing through a predetermined sub classification rule and a predetermined sub representative rule.
  • the position recognition module 142 may convert a recognition feature point into a recognition descriptor by using a scale invariant feature transform (SIFT) technique for detecting the present feature.
  • SIFT scale invariant feature transform
  • the recognition descriptor may be expressed as an n-dimensional vector.
  • the controller 140 transmits the updated information to the external terminal so that the map stored in the external terminal and the mobile robot 100, 100a, 100b is the same.
  • the mobile robot 100, 100a and 100b may clean the designated area for the cleaning instruction from the mobile terminal. This is to display the current position of the mobile robot on the terminal.
  • the driving control module 141 may calculate a driving route according to the received cleaning pattern information, travel along the driving route, and perform cleaning.
  • the mobile robots 100, 100a, and 100b may include an obstacle recognition module 144 in which an attribute of an obstacle is learned by machine learning.
  • the artificial neural network may be implemented in a software form or a hardware form such as a chip.
  • the obstacle recognition module 144 may include a deep neural network (DNN) such as a convolutional neural network (CNN), a recurrent neural network (RNN), a deep belief network (DBN), and the like that have been learned by deep learning. It may include.
  • DNN deep neural network
  • CNN convolutional neural network
  • RNN recurrent neural network
  • DNN deep belief network
  • the controller 140 may determine the property of an obstacle in the moving direction by using only a partial region instead of using the entire image acquired by the image acquisition unit 120, in particular, the front camera 120a.
  • the obstacle recognition module 144 learned by the machine learning has a higher recognition rate as the object to be learned occupies a large portion of the input image data.
  • the recognition rate may be increased by extracting another region of the image acquired by the image acquisition unit 120 as recognition data according to the direction of the obstacle detected by the sensor unit 170 such as an ultrasonic sensor.
  • the driving control module 141 may control the driving of the driving unit 160 based on the recognized attribute of the obstacle.
  • the controller 140 when the obstacle is detected in the right direction of the front of the main body, extracts the lower right region of the image obtained by the image acquisition unit, the obstacle is detected in the left direction of the front of the main body If the image acquisition unit is to extract the lower left area of the image, and if the obstacle is detected in the front direction of the main body, the control unit to extract the center (center) area of the image obtained by the image acquisition unit can do.
  • controller 140 may control to extract and extract the region to be extracted from the image acquired by the image acquisition unit so as to correspond to the direction of the detected obstacle.
  • a configuration of cropping and extracting a partial region of the image acquired by the image acquisition unit 120 will be described later in detail with reference to FIGS. 15 to 21.
  • the controller 140 when the sensor unit 170 detects an obstacle while the mobile robots 100, 100a, and 100b move, the controller 140 based on the moving direction and the moving speed of the main body 110, the image acquisition unit ( The controller 120 may control to select a specific view image before the obstacle detection time of the sensor unit 170 from among the plurality of images acquired by the 120.
  • the obstacle detection of the sensor unit 170 of the plurality of consecutive images obtained by the image acquisition unit 120 based on the moving direction and the moving speed of the main body 110, the obstacle detection of the sensor unit 170 of the plurality of consecutive images obtained by the image acquisition unit 120.
  • a specific viewpoint image before the viewpoint may be selected and used as obstacle recognition data.
  • the obstacle recognition module 144 may recognize the property of the obstacle included in the selected specific viewpoint image based on data previously learned by machine learning.
  • the storage 150 may store input data for determining obstacle attributes and data for learning the deep neural network DNN.
  • the storage 150 may store the original image acquired by the image acquisition unit 120 and the extracted images from which the predetermined region is extracted.
  • the storage unit 150 may store weights and biases that form the deep neural network (DNN).
  • DNN deep neural network
  • weights and biases constituting the deep neural network structure may be stored in an embedded memory of the obstacle recognition module 144.
  • the obstacle recognition module 144 performs a learning process by using the extracted image as training data whenever a partial region of the image acquired by the image acquisition unit 120 is extracted, or a predetermined number of times. After the extracted image is obtained, a learning process may be performed.
  • the obstacle recognition module 144 updates a deep neural network (DNN) structure such as a weight by adding a recognition result every time an obstacle is recognized, or is secured after a predetermined number of training data are secured.
  • a training process may be performed with training data to update a deep neural network (DNN) structure such as a weight.
  • the mobile robots 100, 100a, and 100b may transmit the extracted image to a predetermined server through the communication unit 190, and receive data related to machine learning from the predetermined server.
  • the mobile robots 100, 100a, and 100b may update the obstacle recognition module 141 based on data related to machine learning received from the predetermined server.
  • FIG. 8 is an example of a simplified internal block diagram of a server according to an embodiment of the present invention.
  • the server 70 may include a communication unit 820, a storage unit 830, a learning module 840, and a processor 810.
  • the processor 810 may control overall operations of the server 70.
  • the server 70 may be a server operated by a home appliance manufacturer such as the mobile robots 100, 100a, 100b, or a server operated by a service provider, or may be a kind of cloud server.
  • the communication unit 820 may receive various data such as status information, operation information, operation information, and the like from a portable terminal, a home appliance such as the mobile robots 100, 100a, 100b, a gateway, or the like.
  • the communication unit 820 may transmit data corresponding to the received various information to a home appliance, a gateway, etc., such as the mobile terminal, the mobile robots 100, 100a, and 100b.
  • the communication unit 820 may include one or more communication modules, such as an internet module and a mobile communication module.
  • the learning module 840 may serve as a learner of a home appliance such as the mobile robots 100, 100a, and 100b.
  • the learning module 840 may include an artificial neural network, for example, a deep neural network (DNN) such as a convolutional neural network (CNN), a recurrent neural network (RNN), and a deep belief network (DBN). You can learn neural networks.
  • DNN deep neural network
  • CNN convolutional neural network
  • RNN recurrent neural network
  • DBN deep belief network
  • each node may operate based on an activation model, and an output value corresponding to an input value may be determined according to the activation model.
  • the output value of any node, eg, lower level feature 1020, may be input to the next layer connected to that node, eg, the node of mid level feature 1030.
  • a node of a next layer for example, a node of the midlevel feature 1030, may receive values output from a plurality of nodes of the low level feature 1020.
  • the artificial neural network may extract feature information corresponding to each level by using a learned layer corresponding to each level.
  • the artificial neural network can be abstracted sequentially to recognize a predetermined object by utilizing feature information of the highest level.
  • the computer distinguishes bright and dark pixels according to the brightness of pixels from the input image, and distinguishes simple shapes such as edges and edges, I can distinguish things. Finally, the computer can figure out the form that defines the human face.
  • CNN Convolutional Neural Network
  • a hidden layer may include a plurality of layers, and may include a convolution layer and a sub-sampling layer.
  • the convolution layer may be used to perform convolution filtering to filter information extracted from the previous layer using a filter having a predetermined size (eg, the 3X3 window illustrated in FIG. 12).
  • the sub-sampling layer paired with the convolution layer may include the same number of feature maps as the paired convolution layer.
  • FIG. 13 and 14 are flowcharts illustrating a control method of a mobile robot according to an exemplary embodiment of the present invention.
  • the image processing module 145 in the controller 140 may extract a partial region of the image.
  • the controller 140 may control the image processor 125 provided separately to extract a partial region.
  • the controller 140 may control the image acquisition unit 120 to extract a partial region.
  • the recognition rate can be increased by extracting another area of the image acquired by the image acquisition unit 120 as recognition data according to the direction of the obstacle detected by the sensor unit 170.
  • a configuration of cropping and extracting a partial region of the image acquired by the image acquisition unit 120 will be described later in detail with reference to FIGS. 15 to 21.
  • the controller 140 stores the detected position information of the obstacle and the position information of the mobile robot in the storage unit 150 and maps an area having a predetermined size based on the detected position of the obstacle. ) Can be controlled to register as an obstacle area.
  • the controller 140 sequentially recognizes the attributes of the obstacles with respect to the images acquired through the image acquisition unit 120 in a predetermined obstacle area, and finally determines the last of the obstacles based on the plurality of sequentially recognized recognition results. You can determine the attributes. This embodiment will be described later in detail with reference to FIGS. 29 to 34.
  • the controller 140 may control to extract a region corresponding to the region where the ultrasonic signal is detected from the image acquired by the image acquisition unit 120 (S1430). For example, when the area in which the ultrasound signal is detected is a front right area, the controller 140 may control to extract a right area of the image acquired through the image acquisition unit 120. In addition, the controller 140 may control to extract a center region of the image acquired through the image acquisition unit 120 when the region where the ultrasonic signal is detected is the front center region.
  • the controller 140 may use the extracted image 1620 as input data for recognizing an attribute of an obstacle as illustrated in FIG. 16B.
  • the property of the obstacle may be recognized, and the final obstacle property may be determined based on the plurality of recognition results.
  • the mobile robots 100, 100a, and 100b may move according to a command or a setting and perform cleaning (S2910).
  • an area having a predetermined size based on the detected position of the obstacle may be registered and stored as an obstacle area in a map stored in the storage unit 150 (S2930).
  • the image acquisition unit 120 may register the obstacle area and acquire a plurality of images by continuously photographing in the obstacle area before the mobile robot 100, 100a, 100b leaves the obstacle area. .
  • the obstacle recognition module 144 is equipped with a convolutional neural network (CNN), which is one of the deep learning structures, and the previously learned convolutional neural network (CNN) recognizes the property of the obstacle included in the input data, and as a result, You can output
  • CNN convolutional neural network
  • CNN previously learned convolutional neural network
  • the obstacle recognition module 144 may sequentially perform the image recognition process on the obtained images and then select a recognition result having a higher confidence value compared with the previous obstacle recognition result.
  • the current recognition result at the moment when the predetermined criterion is satisfied may be the last current recognition result.
  • the final current recognition result may be determined as the final attribute of the obstacle when the obstacle recognition is completed for all areas of the obstacle area, that is, when the recognition coverage of the obstacle area is 100%. Can be.
  • the obstacle recognition process may be set to end.
  • the obstacle recognition module 144 if the current obstacle recognition result and the previous obstacle recognition result is not the same, the confidence value of the current obstacle recognition result and the previous obstacle recognition result is high.
  • the recognition result may be controlled to be registered as the new current obstacle recognition result.
  • the driving control module 141 may control the driving to bypass the obstacle.
  • the driving control module 141 may control to continue running straight in the case of the obstacle of the height that the recognized obstacle can be over, such as a low height of the barrier.
  • an obstacle such as a barrier that can be crossed even when driving straight may be registered on the map as a non-hazardous obstacle.
  • the mobile robot 100 may travel to avoid the non-hazardous obstacle based on the dangerous obstacle and the non-hazardous obstacle information registered in the map.
  • the obstacle recognition module 144 may include an obstacle area 3010 having a predetermined size aXb around the obstacle 3001 of the entire area 3000 on a map stored in the storage 150. Can be controlled to register.
  • the obstacle area 3010 may be set in the shape of a rectangle having a total size of 1m x 1m with 50cm in front and rear, 50m in left and right, respectively, around the obstacle 3001.
  • the obstacle recognition module 144 may control to store the location of the obstacle and the location information of the mobile robot in the following storage format.
  • FIG. 31 illustrates that a predetermined area of the obstacle area 3010 is recognized by two shootings. Circles 3110 and 3120 illustrated in FIG. 31 indicate recognition coverage, respectively, and their size and shape may vary depending on the configuration and performance of the image acquisition unit 120.
  • the obstacle recognition module 144 may classify and store an area in which an obstacle is recognized by taking an image in the obstacle area 3200.
  • the obstacle recognition module 144 may obtain the recognition result determined by the fan having the confidence value of 0.7.
  • the obstacle recognition module 144 determines that the obstacle recognition module 144 is a lamp bearing having a confidence value of 0.7 based on the image obtained by the mobile robot at the third position Rp3. A recognition result can be obtained.
  • the obstacle recognition module 144 may select a fan having a higher confidence value as the registration result corresponding to the current recognition result.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Databases & Information Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

본 발명의 일 측면에 따른 이동 로봇은, 본체를 이동시키는 주행부, 본체 주변의 영상을 획득하는 영상획득부, 영상획득부가 획득하는 영상을 저장하는 저장부, 이동 중 장애물을 감지하는 하나 이상의 센서를 포함하는 센서부, 및, 센서부가 감지하는 장애물의 방향에 대응하여 영상획득부가 획득하는 영상의 일부 영역을 추출하도록 제어하는 제어부를 포함함으로써, 머신 러닝 및 장애물 속성 인식에 효율적인 데이터를 추출할 수 있다.

Description

이동 로봇 및 그 제어방법
본 발명은 이동 로봇 및 그 제어방법에 관한 것으로서, 더욱 상세하게는 장애물 인식 및 회피를 수행하는 이동 로봇 및 그 제어 방법에 관한 것이다.
로봇은 산업용으로 개발되어 공장 자동화의 일 부분을 담당하여 왔다. 최근에는 로봇을 응용한 분야가 더욱 확대되어, 의료용 로봇, 우주 항공 로봇 등이 개발되고, 일반 가정에서 사용할 수 있는 가정용 로봇도 만들어지고 있다. 이러한 로봇 중에서 자력으로 주행이 가능한 것을 이동 로봇이라고 한다.
가정에서 사용되는 이동 로봇의 대표적인 예는 로봇 청소기로, 로봇 청소기는 일정 영역을 스스로 주행하면서, 주변의 먼지 또는 이물질을 흡입함으로써, 해당 영역을 청소하는 기기이다.
이동 로봇은, 스스로 이동이 가능하여 이동이 자유롭고, 주행중 장애물 등을 피하기 위한 다수의 센서가 구비되어 장애물을 피해 주행할 수 있다.
일반적으로 이동 로봇의 장애물 감지를 위해 적외선 센서 또는 초음파 센서가 이용된다. 적외선 센서는 장애물에 반사되어 돌아오는 반사광의 광량 또는 수신되는 시간을 통해 장애물의 존재와 거리를 판단하고, 초음파 센서는 소정 주기를 가지는 초음파를 발산하여 장애물에 의해 반사되는 초음파가 있을 경우 초음파 발산 시간과 장애물에 반사되어 되돌아오는 순간의 시간차를 이용하여 장애물과의 거리를 판단한다.
한편, 장애물 인식 및 회피는 이동 로봇의 주행 성능 뿐만 아니라 청소 성능에 큰 영향을 미치므로, 장애물 인식 능력의 신뢰성 확보가 요구된다.
종래 기술(등록특허공보 10-0669892호)은 적외선 센서와 초음파 센서를 조합하여 신뢰성 높은 장애물 인식 기술을 구현하는 기술을 개시한다.
하지만, 종래 기술(등록특허공보 10-0669892호)은 장애물의 속성을 판별하지 못한다는 문제점이 있다.
도 1은 종래의 이동 로봇의 장애물 감지 및 회피 방법에 관한 설명에 참조되는 도면이다.
도 1을 참조하면, 로봇 청소기는 이동하면서 먼지 및 이물질을 흡입하며 청소를 수행한다(S11).
초음파 센서에서 장애물에 의해 반사되는 초음파 신호를 감지하여 장애물의 존재를 인식하고(S12), 인식된 장애물의 높이가 넘을 수 있는 높이 인지 여부를 판단하게 된다(S13).
로봇 청소기는, 넘을 수 있는 높이라고 판단되면 직진으로 이동하고(S14), 그렇지 않은 경우에는 90도 회전(S15)하여 이동할 수 있다.
예를 들어, 장애물이 낮은 문턱인 경우. 로봇 청소기는, 문턱을 인식하고, 인식 결과, 통과할 수 있다고 판단하면, 문턱을 넘어서 이동한다.
하지만, 넘을 수 있는 높이라고 판단한 장애물이 전선이라면 로봇 청소기는 전선을 넘어가다가 전선에 걸려 구속될 수 있다.
또한, 선풍기의 받침대는 문턱과 비슷하거나 낮은 높이를 가지므로, 로봇 청소기는 넘을 수 있는 장애물이라고 판단할 수 있다. 이 경우에, 로봇 청소기는 선풍기의 받침대를 타고 올라가다가 바퀴가 헛돌면서 구속될 수 있다.
또한, 사람 전체를 인식하지 못하고, 머리카락 등 인모의 일부만 감지된 경우에, 인모를 넘을수 있는 높이라고 판단하고 직진 수행할 수 있으나, 이 경우에는 로봇 청소기가 인모를 흡입할 수 있고 안전 사고가 발생할 수 있다.
따라서, 전방 장애물의 속성을 파악하여 속성에 맞게 이동 패턴을 변경할 수 있는 방안이 요구된다.
한편, 최근에는 인공지능과 딥러닝 등 머신 러닝에 관한 관심이 크게 증가하고 있다.
머신 러닝은, 인공지능 분야 중 하나로써, 컴퓨터에게 데이터를 학습시키고, 그를 바탕으로 예측, 분류와 같은 어떤 작업을 수행하도록 하는 것을 의미한다.
머신 러닝의 가장 대표적인 정의는 톰 미첼(Tom M. Mitchell) 교수가 제시한 것으로, “어떠한 태스크(T)를 하는데 특정한 기준(P)으로 측정한 성능이 특정한 경험(E)로 인해 향상되었다면 그 어떤 태스크(T)는 어떠한 경험(E)으로부터 배웠다. 라고 말할 수 있다.”이다. 즉, 어떠한 태스크(T)에 대해 꾸준한 경험(E)을 통하여 성능을 높이는 것을 머신 러닝으로 볼 수 있다.
종래의 머신 러닝은 통계학 기반의 분류, 회귀, 군집 모델이 중심이었다. 특히, 분류, 회귀 모델의 지도 학습에서는 학습 데이터의 특성과 이러한 특성을 기반으로 새로운 데이터를 구별하는 학습 모델을 사람이 사전에 정의했다.
한편, 최근에는 종래의 머신러닝과는 다르게, 딥러닝 기술이 발전하고 있다. 딥러닝은. 인공신경망(Artificial Neural Networks: ANN)에 기반하여 컴퓨터가 스스로 사람처럼 학습할 수 있는 인공지능 기술이다. 즉, 딥러닝은 컴퓨터가 스스로 특성을 찾아내고 판별하는 것이다.
딥러닝의 발전을 가속화한 요인 중 하나로 오픈소스로 제공되는 딥러닝 프레임워크를 들 수 있다. 예를 들어, 딥러닝 프레임워크로는 캐나다 몬트리올 대학교의 시아노(Theano), 미국 뉴욕 대학교의 토치(Torch), 캘리포니아 버클리 대학교의 카페(Caffe), 구글의 텐서플로우(TensorFlow) 등이 있다.
딥러닝 프레임워크들의 공개에 따라, 효과적인 학습 및 인식을 위해, 딥러닝 알고리즘 외에 학습 과정, 학습 방법, 학습에 시용하는 데이터의 추출 및 선정이 더욱 중요해지고 있다.
또한, 인공지능과 머신 러닝을 다양한 제품, 서비스에 이용하기 위한 연구가 증가하고 있다.
본 발명의 목적은, 장애물의 속성을 판단하고, 장애물 속성에 따라 주행 패턴을 조정할 수 있어, 신뢰성 높은 장애물 인식 및 회피 동작을 수행할 수 있는 이동 로봇 및 그 제어방법을 제공함에 있다.
본 발명의 목적은, 장애물의 인식 결과에 따라 전진, 후퇴, 정지, 우회 등의 동작을 수행함으로써 이동 로봇 자체의 안정성 및 사용자의 편의성을 제고하고, 운전 효율, 청소 효율을 향상시킬 수 있는 이동 로봇 및 그 제어방법을 제공함에 있다.
본 발명의 목적은, 머신 러닝에 기반하여 장애물의 속성을 정확하게 인식할 수 있는 이동 로봇 및 그 제어방법을 제공함에 있다.
본 발명의 목적은, 효율적으로 머신 러닝을 수행할 수 있고, 장애물 속성 인식에 사용할 수 있는 데이터를 추출하는 이동 로봇 및 그 제어방법을 제공함에 있다.
상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따른 이동 로봇은, 본체를 이동시키는 주행부, 본체 주변의 영상을 획득하는 영상획득부, 영상획득부가 획득하는 영상을 저장하는 저장부, 이동 중 장애물을 감지하는 하나 이상의 센서를 포함하는 센서부, 및, 센서부가 감지하는 장애물의 방향에 대응하여 영상획득부가 획득하는 영상의 일부 영역을 추출하도록 제어하는 제어부를 포함함으로써, 머신 러닝 및 장애물 속성 인식에 효율적인 데이터를 추출할 수 있다.
또한, 상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따른 이동 로봇은, 추출된 영상에서 머신 러닝(machine learning)으로 기학습된 장애물을 인식하는 장애물인식모듈과 인식된 장애물의 속성에 기초하여, 주행부의 구동을 제어하는 주행제어모듈을 포함함으로써, 안정성, 사용자의 편의성, 운전 효율, 청소 효율을 향상시킬 수 있다.
또한, 상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따른 이동 로봇의 제어방법은, 센서부를 통하여, 이동 중 장애물을 감지하는 단계, 센서부가 감지하는 장애물의 방향에 대응하여 영상획득부가 획득하는 영상의 일부 영역을 추출하는 단계, 추출된 영상에서 장애물을 인식하는 단계, 및, 인식된 장애물의 속성에 기초하여, 주행부의 구동을 제어하는 단계를 포함할 수 있다.
본 발명의 실시 예들 중 적어도 하나에 의하면, 이동 로봇이, 장애물의 속성을 판단하고, 장애물 속성에 따라 주행 패턴을 조정할 수 있어, 신뢰성 높은 장애물 인식 및 회피 동작을 수행할 수 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 장애물의 인식 결과에 따라 전진, 후퇴, 정지, 우회 등의 동작을 수행함으로써 이동 로봇 자체의 안정성 및 사용자의 편의성을 제고하고, 운전 효율, 청소 효율을 향상시킬 수 있는 이동 로봇 및 그 제어방법을 제공할 수 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 머신 러닝에 기반하여 장애물의 속성을 정확하게 인식할 수 있는 이동 로봇 및 그 제어방법을 제공할 수 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 이동 로봇이, 효율적으로 머신 러닝을 수행할 수 있고, 장애물 속성 인식에 사용할 수 있는 데이터를 추출할 수 있다.
한편, 그 외의 다양한 효과는 후술될 본 발명의 실시 예에 따른 상세한 설명에서 직접적 또는 암시적으로 개시될 것이다.
도 1은 종래의 이동 로봇의 장애물 감지 및 회피 방법에 관한 설명에 참조되는 도면이다.
도 2는 본 발명의 일 실시예에 따른 이동 로봇 및 이동 로봇을 충전시키는 충전대를 도시한 사시도이다.
도 3은 도 2에 도시된 이동 로봇의 상면부를 도시한 도이다.
도 4는 도 2에 도시된 이동 로봇의 정면부를 도시한 도이다.
도 5는 도 2에 도시된 이동 로봇의 저면부를 도시한 도이다.
도 6과 도 7은 본 발명의 실시예에 따른 이동 로봇의 주요 구성들 간의 제어관계를 도시한 블록도이다.
도 8은 본 발명의 일 실시예에 따른 서버의 간략한 내부 블록도의 일예이다.
도 9 내지 도 12는 딥러닝(Deep Learning)에 대한 설명에 참조되는 도면이다.
도 13은 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도이다.
도 14는 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도이다.
도 15 내지 도 21은 본 발명의 실시예에 따른 이동 로봇의 제어 방법에 관한 설명에 참조되는 도면이다.
도 22는 본 발명의 일 실시예에 따른 이동 로봇과 서버의 동작 방법에 관한 설명에 참조되는 도면이다.
도 23은 본 발명의 일 실시예에 따른 이동 로봇과 서버의 동작 방법을 도시한 순서도이다.
도 24 내지 도 26은 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법에 관한 설명에 참조되는 도면이다.
도 27은 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도이다.
도 28은 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법에 관한 설명에 참조되는 도면이다.
도 29는 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도이다.
도 30 내지 도 34는 본 발명의 실시예에 따른 이동 로봇의 제어 방법에 관한 설명에 참조되는 도면이다.
이하에서는 첨부한 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다. 그러나 본 발명이 이러한 실시예에 한정되는 것은 아니며 다양한 형태로 변형될 수 있음은 물론이다.
도면에서는 본 발명을 명확하고 간략하게 설명하기 위하여 설명과 관계없는 부분의 도시를 생략하였으며, 명세서 전체를 통하여 동일 또는 극히 유사한 부분에 대해서는 동일한 도면 참조부호를 사용한다.
한편, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함만이 고려되어 부여되는 것으로서, 그 자체로 특별히 중요한 의미 또는 역할을 부여하는 것은 아니다. 따라서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.
본 발명의 일 실시예에 따른 이동 로봇(100)은 바퀴 등을 이용하여 스스로 이동이 가능한 로봇을 의미하고, 가정 도우미 로봇 및 로봇 청소기 등이 될 수 있다. 이하에서는, 도면들을 참조하여, 이동 로봇 중 청소 기능을 가지는 로봇 청소기를 예로 들어 설명하나, 본 발명은 이에 한정되지 않는다.
도 2는 본 발명의 일 실시예에 따른 이동 로봇 및 이동 로봇을 충전시키는 충전대를 도시한 사시도이다.
도 3은 도 2에 도시된 이동 로봇의 상면부를 도시한 도이며, 도 4는 도 2에 도시된 이동 로봇의 정면부를 도시한 도이고, 도 5는 도 2에 도시된 이동 로봇의 저면부를 도시한 도이다.
도 6과 도 7은 본 발명의 실시예에 따른 이동 로봇의 주요 구성들 간의 제어관계를 도시한 블록도이다.
도 3 내지 도 7을 참조하면, 이동 로봇(100, 100a, 100b)은 본체(110)와, 본체(110) 주변의 영상을 획득하는 영상획득부(120, 120a, 120b)를 포함한다.
이하, 본체(110)의 각부분을 정의함에 있어서, 주행구역 내의 천장을 향하는 부분을 상면부(도 3 참조)로 정의하고, 주행구역 내의 바닥을 향하는 부분을 저면부(도 5 참조)로 정의하며, 상면부와 저면부 사이에서 본체(110)의 둘레를 이루는 부분 중 주행방향을 향하는 부분을 정면부(도 4 참조)라고 정의한다.
이동 로봇(100, 100a, 100b)은 본체(110)를 이동시키는 주행부(160)를 포함한다. 주행부(160)는 본체(110)를 이동시키는 적어도 하나의 구동 바퀴(136)를 포함한다. 주행부(160)는 구동 바퀴(136)에 연결되어 구동 바퀴를 회전시키는 구동 모터(미도시)를 포함한다. 구동 바퀴(136)는 본체(110)의 좌, 우 측에 각각 구비될 수 있으며, 이하, 각각 좌륜(136(L))과 우륜(136(R))이라고 한다.
좌륜(136(L))과 우륜(136(R))은 하나의 구동 모터에 의해 구동될 수도 있으나, 필요에 따라 좌륜(136(L))을 구동시키는 좌륜 구동 모터와 우륜(136(R))을 구동시키는 우륜 구동 모터가 각각 구비될 수도 있다. 좌륜(136(L))과 우륜(136(R))의 회전 속도에 차이를 두어 좌측 또는 우측으로 본체(110)의 주행방향을 전환할 수 있다.
본체(110)의 저면부에는 공기의 흡입이 이루어지는 흡입구(110h)가 형성될 수 있으며, 본체(110) 내에는 흡입구(110h)를 통해 공기가 흡입될 수 있도록 흡입력을 제공하는 흡입장치(미도시)와, 흡입구(110h)를 통해 공기와 함께 흡입된 먼지를 집진하는 먼지통(미도시)이 구비될 수 있다.
본체(110)는 이동 로봇(100, 100a, 100b)을 구성하는 각종 부품들이 수용되는 공간을 형성하는 케이스(111)를 포함할 수 있다. 케이스(111)에는 상기 먼지통의 삽입과 탈거를 위한 개구부가 형성될 수 있고, 개구부를 여닫는 먼지통 커버(112)가 케이스(111)에 대해 회전 가능하게 구비될 수 있다.
흡입구(110h)를 통해 노출되는 솔들을 갖는 롤형의 메인 브러시(134)와, 본체(110)의 저면부 전방측에 위치하며, 방사상으로 연장된 다수개의 날개로 이루어진 솔을 갖는 보조 브러시(135)가 구비될 수 있다. 이들 브러시(134, 135)들의 회전에 의해 주행구역 내 바닥으로부터 먼지들이 분리되며, 이렇게 바닥으로부터 분리된 먼지들은 흡입구(110h)를 통해 흡입되어 먼지통에 모인다.
배터리(138)는 구동 모터뿐만 아니라, 이동 로봇(100, 100a, 100b)의 작동 전반에 필요한 전원을 공급한다. 배터리(138)가 방전될 시, 이동 로봇(100, 100a, 100b)은 충전을 위해 충전대(200)로 복귀하는 주행을 실시할 수 있으며, 이러한 복귀 주행 중, 이동 로봇(100, 100a, 100b)은 스스로 충전대(200)의 위치를 탐지할 수 있다.
충전대(200)는 소정의 복귀 신호를 송출하는 신호 송출부(미도시)를 포함할 수 있다. 복귀 신호는 초음파 신호 또는 적외선 신호일 수 있으나, 반드시 이에 한정되는 것은 아니다.
이동 로봇(100, 100a, 100b)은 복귀 신호를 수신하는 신호 감지부(미도시)를 포함할 수 있다. 충전대(200)는 신호 송출부를 통해 적외선 신호를 송출하고, 신호 감지부는 적외선 신호를 감지하는 적외선 센서를 포함할 수 있다. 이동 로봇(100, 100a, 100b)은 충전대(200)로부터 송출된 적외선 신호에 따라 충전대(200)의 위치로 이동하여 충전대(200)와 도킹(docking)한다. 이러한 도킹에 의해 이동 로봇(100, 100a, 100b)의 충전 단자(133)와 충전대(200)의 충전 단자(210) 간에 충전이 이루어진다.
실시예에 따라서는, 이동 로봇(100, 100a, 100b)은 영상 기반 또는 레이저-패턴 추출 방식의 충전대(200) 복귀 주행을 수행할 수 있다.
이동 로봇(100, 100a, 100b)은, 본체(110)에서 발신되는 광신호 등을 이용하여 충전대(200)에 형성된 특정 패턴을 인식하고 이를 추출하여 충전대로 복귀 할 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 이동 로봇(100, 100a, 100b)은 패턴 광 센서(미도시)를 포함할 수 있다.
패턴 광 센서는, 본체(110)에 구비될 수 있고, 이동 로봇(100, 100a, 100b)이 활동하는 활동영역에 패턴 광(optical pattern)을 조사하고, 상기 패턴 광이 조사된 영역을 촬영하여 입력영상을 획득할 수 있다. 예를 들어, 상기 패턴 광은 십자 패턴 등 특정 패턴의 광일 수 있다.
패턴 광 센서는 상기 패턴 광을 조사하는 패턴 조사부와, 상기 패턴 광이 조사된 영역을 촬영하는 패턴영상 획득부를 포함할 수 있다.
패턴 조사부는 광원과, 패턴생성자(OPPE: Optical Pattern Projection Element)를 포함할 수 있다. 상기 광원으로부터 입사된 광이 상기 패턴생성자에 투과함으로써 생성되는 상기 패턴 광이 생성된다. 상기 광원은 레이저 다이오드(Laser Diode, LD), 발광 다이오드(Light Emitteing Diode, LED) 등 일 수 있다.
패턴 조사부는 본체의 전방을 향해 광을 조사할 수 있고, 패턴영상 획득부는 패턴 광이 조사된 영역을 촬영하여 입력영상(input image)를 획득한다. 패턴영상 획득부는 카메라를 포함할 수 있으며, 이러한 카메라는 구조광 카메라(Structured Light Camera)일 수 있다.
한편, 충전대(200)는, 일정한 간격으로 서로 이격된 2 이상의 위치 표지를 포함할 수 있다.
위치 표지는, 그 자신의 표면에 패턴 광이 입사되었을 시, 주변부와 구분되는 표식을 형성한다. 이러한 표식은 위치 표지의 형태적인 특성으로 인해, 표면에 입사된 패턴 광의 형태가 변형되는 것으로부터 기인한 것일 수 있고, 다르게는 위치 표지의 재질적인 특성으로 인한 광 반사율(또는 흡수율)이 주변부와 차이가 나는 것에서 기인한 것일 수 있다.
위치 표지는 상기 표식을 형성케 하는 모서리를 포함할 수 있다. 위치 표지의 표면에 입사된 패턴 광이 모서리에서 각을 이루며 꺽임으로써, 입력영상에서는 상기 표식으로써의 첨점이 확인된다.
이동 로봇(100, 100a, 100b)은 배터리 잔량이 부족한 경우에 자동으로 충전대 탐색을 실시할 수 있고, 다르게는 사용자로부터 충전 명령이 입력되었을 시에도 충전대 탐색을 실시할 수 있다.
이동 로봇(100, 100a, 100b)이 충전대 탐색을 실시하는 경우, 패턴 추출부는 입력영상으로부터 첨점들을 추출하고, 제어부(140)는 추출된 첨점들의 위치정보를 획득한다. 상기 위치정보는 이동 로봇(100, 100a, 100b)으로부터 첨점들까지의 거리가 고려된 3차원 공간상에서의 위치를 포함할 수 있다.
제어부(140)는 획득된 첨점들에 대한 위치정보를 바탕으로 첨점들간의 실제거리를 구하고, 이를 기 설정된 기준값과 비교하여, 상기 실제거리와 상기 기준값 간의 차이가 일정범위 내이면 충전대(200)가 탐색된 것으로 판단할 수 있다.
또는, 이동 로봇(100, 100a, 100b)은, 영상획득부(120)의 카메라를 통해 주변 영상을 획득 후, 획득된 영상에서 충전대(200)에 대응하는 형상을 추출, 식별하여 충전대(200)로 복귀할 수 있다.
또한, 이동 로봇(100, 100a, 100b)은, 영상획득부(120)의 카메라를 통해 주변 영상을 획득하고, 충전대(200)에서 발신되는 특정 광 신호를 식별하여 충전대로 복귀할 수 있다.
영상획득부(120)는 주행구역을 촬영하는 것으로, 카메라 모듈을 포함할 수 있다. 상기 카메라 모듈은 디지털 카메라를 포함할 수 있다. 디지털 카메라는 적어도 하나의 광학렌즈와, 광학렌즈를 통과한 광에 의해 상이 맺히는 다수개의 광다이오드(photodiode, 예를 들어, pixel)를 포함하여 구성된 이미지센서(예를 들어, CMOS image sensor)와, 광다이오드들로부터 출력된 신호를 바탕으로 영상을 구성하는 디지털 신호 처리기(DSP: Digital Signal Processor)를 포함할 수 있다. 디지털 신호 처리기는 정지영상은 물론이고, 정지영상으로 구성된 프레임들로 이루어진 동영상을 생성하는 것도 가능하다.
바람직하게, 영상획득부(120)는, 본체(110) 전방의 영상을 획득하도록 구비되는 전면 카메라(120a)와 본체(110)의 상면부에 구비되어, 주행구역 내의 천장에 대한 영상을 획득하는 상부 카메라(120b)를 구비하나, 영상획득부(120)의 위치와 촬영범위가 반드시 이에 한정되어야 하는 것은 아니다.
본 실시예의 경우, 이동 로봇의 일부 부위(ex, 전방, 후방, 저면)에 카메라가 설치되어 있으며, 청소 시에 촬상영상을 지속적으로 획득할 수 있다. 이러한 카메라는 촬영 효율을 위해 각 부위별로 여러 개가 설치될 수도 있다. 카메라에 의해 촬상된 영상은 해당 공간에 존재하는 먼지, 머리카락, 바닥 등과 같은 물질의 종류 인식, 청소 여부, 또는 청소 시점을 확인하는데 사용할 수 있다.
전면 카메라(120a)는 이동 로봇(100, 100a, 100b)의 주행 방향 전면에 존재하는 장애물 또는 청소 영역의 상황을 촬영할 수 있다.
본 발명의 일 실시예에 따르면, 상기 영상획득부(120)는 본체(110) 주변을 연속적으로 촬영하여 복수의 영상을 획득할 수 있고, 획득된 복수의 영상은 저장부(150)에 저장될 수 있다.
이동 로봇(100, 100a, 100b)은 복수의 영상을 이용하여 장애물 인식의 정확성을 높이거나, 복수의 영상 중 하나 이상의 영상을 선택하여 효과적인 데이터를 사용함으로써 장애물 인식의 정확성을 높일 수 있다.
또한, 이동 로봇(100, 100a, 100b)은 이동 로봇의 동작, 상태와 관련된 각종 데이터를 센싱하는 센서들을 포함하는 센서부(170)를 포함할 수 있다.
예를 들어, 상기 센서부(170)는 전방의 장애물을 감지하는 장애물 감지센서(131)를 포함할 수 있다. 또한, 상기 센서부(170)는 주행구역 내 바닥에 낭떠러지의 존재 여부를 감지하는 낭떠러지 감지센서(132)와, 바닥의 영상을 획득하는 하부 카메라 센서(139)를 더 포함할 수 있다.
도 2와 도 4를 참조하면, 상기 장애물 감지센서(131)는 이동 로봇(100)의 외주면에 일정 간격으로 설치되는 복수의 센서를 포함할 수 있다.
예를 들어, 상기 센서부(170)는, 상기 본체(110)의 전면에 배치되는 제1 센서, 상기 제1 센서로부터 좌, 우로 이격되도록 배치되는 제2 센서 및 제3 센서를 포함할 수 있다.
상기 장애물 감지센서(131)는, 적외선 센서, 초음파 센서, RF 센서, 지자기 센서, PSD(Position Sensitive Device) 센서 등을 포함할 수 있다.
한편, 상기 장애물 감지센서(131)에 포함되는 센서의 위치와 종류는 이동 로봇의 기종에 따라 달라질 수 있고, 상기 장애물 감지센서(131)는 더 다양한 센서를 포함할 수 있다.
상기 장애물 감지센서(131)는 실내의 벽이나 장애물과의 거리를 감지하는 센서로, 본 발명은 그 종류에 한정되지 않으나, 이하에서는 초음파 센서를 예시하여 설명한다.
상기 장애물 감지센서(131)는 이동 로봇의 주행(이동) 방향에 존재하는 물체, 특히 장애물을 감지하여 장애물 정보를 제어부(140)에 전달한다. 즉, 상기 장애물 감지센서(131)는, 이동 로봇의 이동 경로, 전방이나 측면에 존재하는 돌출물, 집안의 집기, 가구, 벽면, 벽 모서리 등을 감지하여 그 정보를 제어 유닛에 전달할 수 있다.
이때, 제어부(140)는 초음파 센서를 통해 수신된 적어도 2 이상의 신호에 기초하여 장애물의 위치를 감지하고, 감지된 장애물의 위치에 따라 이동 로봇(100)의 움직임을 제어할 수 있다.
실시예에 따라서는, 케이스(110)의 외측면에 구비되는 장애물 감지 센서(131)는 발신부와 수신부를 포함하여 구성될 수 있다.
예를 들어, 초음파 센서는 적어도 하나 이상의 발신부 및 적어도 2 이상의 수신부가 서로 엇갈리도록 구비될 수 있다. 이에 따라, 다양한 각도로 신호를 방사하고, 장애물에 반사된 신호를 다양한 각도에서 수신할 수 있다.
실시예에 따라서는, 장애물 감지센서(131)에서 수신된 신호는, 증폭, 필터링 등의 신호 처리 과정을 거칠 수 있고, 이후 장애물까지의 거리 및 방향이 산출될 수 있다.
한편, 상기 센서부(170)는 본체(110)의 구동에 따른 이동 로봇(100, 100a, 100b)의 동작을 감지하고 동작 정보를 출력하는 동작 감지 센서를 더 포함할 수 있다. 동작 감지 센서로는, 자이로 센서(Gyro Sensor), 휠 센서(Wheel Sensor), 가속도 센서(Acceleration Sensor) 등을 사용할 수 있다.
자이로 센서는, 이동 로봇(100, 100a, 100b)이 운전 모드에 따라 움직일 때 회전 방향을 감지하고 회전각을 검출한다. 자이로 센서는, 이동 로봇(100, 100a, 100b)의 각속도를 검출하여 각속도에 비례하는 전압 값을 출력한다. 제어부(140)는 자이로 센서로부터 출력되는 전압 값을 이용하여 회전 방향 및 회전각을 산출한다.
휠 센서는, 좌륜(136(L))과 우륜(136(R))에 연결되어 바퀴의 회전수를 감지한다. 여기서, 휠 센서는 로터리 엔코더(Rotary Encoder)일 수 있다. 로터리 엔코더는 좌륜(136(L))과 우륜(136(R))의 회전수를 감지하여 출력한다.
제어부(140)는 회전수를 이용하여 좌, 우측 바퀴의 회전 속도를 연산할 수 있다. 또한, 제어부(140)는 좌륜(136(L))과 우륜(136(R))의 회전수 차이를 이용하여 회전각을 연산할 수 있다.
가속도 센서는, 이동 로봇(100, 100a, 100b)의 속도 변화, 예를 들어, 출발, 정지, 방향 전환, 물체와의 충돌 등에 따른 이동 로봇(100, 100a, 100b)의 변화를 감지한다. 가속도 센서는 주 바퀴나 보조바퀴의 인접 위치에 부착되어, 바퀴의 미끄러짐이나 공회전을 검출할 수 있다.
또한, 가속도 센서는 제어부(140)에 내장되어 이동 로봇(100, 100a, 100b)의 속도 변화를 감지할 수 있다. 즉, 가속도 센서는 속도 변화에 따른 충격량을 검출하여 이에 대응하는 전압 값을 출력한다. 따라서, 가속도 센서는 전자식 범퍼의 기능을 수행할 수 있다.
제어부(140)는 동작 감지 센서로부터 출력된 동작 정보에 기초하여 이동 로봇(100, 100a, 100b)의 위치 변화를 산출할 수 있다. 이러한 위치는 영상 정보를 이용한 절대 위치에 대응하여 상대 위치가 된다. 이동 로봇은 이러한 상대 위치 인식을 통해 영상 정보와 장애물 정보를 이용한 위치 인식의 성능을 향상시킬 수 있다.
한편, 이동 로봇(100, 100a, 100b)은 충전 가능한 배터리(138)를 구비하여 로봇 청소기 내로 전원을 공급하는 전원 공급부(미도시)를 포함할 수 있다.
상기 전원 공급부는 이동 로봇(100, 100a, 100b)의 각 구성 요소들에 구동 전원과, 동작 전원을 공급하며, 전원 잔량이 부족하면 충전대(200)에서 충전 전류를 공급받아 충전될 수 있다.
이동 로봇(100, 100a, 100b)은 배터리(138)의 충전 상태를 감지하고, 감지 결과를 제어부(140)에 전송하는 배터리 감지부(미도시)를 더 포함할 수 있다. 배터리(138)는 배터리 감지부와 연결되어 배터리 잔량 및 충전 상태가 제어부(140)에 전달된다. 배터리 잔량은 출력부(미도시)의 화면에 표시될 수 있다.
또한, 이동 로봇(100, 100a, 100b)은 온/오프(On/Off) 또는 각종 명령을 입력할 수 있는 조작부(137)를 포함한다. 조작부(137)를 통해 이동 로봇(100)의 작동 전반에 필요한 각종 제어명령을 입력받을 수 있다. 또한, 이동 로봇(100, 100a, 100b)은 출력부(미도시)를 포함하여, 예약 정보, 배터리 상태, 동작모드, 동작상태, 에러상태 등을 표시할 수 있다.
도 6과 도 7을 참조하면, 이동 로봇(100a, 100b)은 현재 위치를 인식하는 등 각종 정보를 처리하고 판단하는 제어부(140), 및 각종 데이터를 저장하는 저장부(150)를 포함한다. 또한, 이동 로봇(100, 100a, 100b)은 외부 단말기와 데이터를 송수신하는 통신부(190)를 더 포함할 수 있다.
외부 단말기는 이동 로봇(100a, 100b)을 제어하기 위한 애플리케이션을 구비하고, 애플리케이션의 실행을 통해 이동 로봇(100a, 100b)이 청소할 주행구역에 대한 맵을 표시하고, 맵 상에 특정 영역을 청소하도록 영역을 지정할 수 있다. 외부 단말기는 맵 설정을 위한 애플리케이션(application)이 탑재된 리모콘, PDA, 랩탑(laptop), 스마트 폰, 태블릿 등을 예로 들 수 있다.
외부 단말기는 이동 로봇(100a, 100b)과 통신하여, 맵과 함께 이동 로봇의 현재 위치를 표시할 수 있으며, 복수의 영역에 대한 정보가 표시될 수 있다. 또한, 외부 단말기는 이동 로봇의 주행에 따라 그 위치를 갱신하여 표시한다.
제어부(140)는 이동 로봇(100a, 100b)를 구성하는 영상획득부(120), 조작부(137), 주행부(160)를 제어하여, 이동 로봇(100)의 동작 전반을 제어한다.
저장부(150)는 이동 로봇(100)의 제어에 필요한 각종 정보들을 기록하는 것으로, 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 기록 매체는 마이크로 프로세서(micro processor)에 의해 읽힐 수 있는 데이터를 저장한 것으로, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등을 포함할 수 있다.
또한, 저장부(150)에는 주행구역에 대한 맵(Map)이 저장될 수 있다. 맵은 이동 로봇(100a, 100b)과 유선 또는 무선 통신을 통해 정보를 교환할 수 있는 외부 단말기, 서버 등에 의해 입력된 것일 수도 있고, 이동 로봇(100a, 100b)이 스스로 학습을 하여 생성한 것일 수도 있다.
맵에는 주행구역 내의 방들의 위치가 표시될 수 있다. 또한, 이동 로봇(100a, 100b)의 현재 위치가 맵 상에 표시될 수 있으며, 맵 상에서의 이동 로봇(100a, 100b)의 현재의 위치는 주행 과정에서 갱신될 수 있다. 외부 단말기는 저장부(150)에 저장된 맵과 동일한 맵을 저장한다.
상기 저장부(150)는 청소 이력 정보를 저장할 수 있다. 이러한 청소 이력 정보는 청소를 수행할 때마다 생성될 수 있다.
상기 저장부(150)에 저장되는 주행구역에 대한 맵은, 청소 중 주행에 사용되는 내비게이션 맵(Navigation map), 위치 인식에 사용되는 SLAM(Simultaneous localization and mapping) 맵, 장애물 등에 부딪히면 해당 정보를 저장하여 학습 청소시 사용하는 학습 맵, 전역 위치 인식에 사용되는 전역 위치 맵, 인식된 장애물에 관한 정보가 기록되는 장애물 인식 맵 등일 수 있다.
한편, 상술한 바와 같이 용도별로 상기 저장부(150)에 맵들을 구분하여 저장, 관리할 수 있지만, 맵이 용도별로 명확히 구분되지 않을 수도 있다. 예를 들어, 적어도 2 이상의 용도로 사용할 수 있도록 하나의 맵에 복수의 정보를 저장할 수도 있다. 가령, 학습 맵 상에 인식된 장애물 정보가 기록되어 장애물 인식 맵을 대신할 수 있으며, 위치 인식에 사용되는 SLAM 맵을 이용하여 전역 위치를 인식함으로써 전역 위치 맵을 대신하거나 전역 위치 맵과 함께 사용 될 수 있다.
제어부(140)는 주행제어모듈(141), 위치인식모듈(142), 지도생성모듈(143) 및 장애물인식모듈(144)을 포함할 수 있다.
도 3 내지 도 7을 참조하면, 주행제어모듈(141)은 이동 로봇(100, 100a, 100b)의 주행을 제어하는 것으로, 주행 설정에 따라 주행부(160)의 구동을 제어한다. 또한, 주행제어모듈(141)은 주행부(160)의 동작을 바탕으로 이동 로봇(100, 100a, 100b)의 주행경로를 파악할 수 있다. 예를 들어, 주행제어모듈(141)은 구동 바퀴(136)의 회전속도를 바탕으로 이동 로봇(100)의 현재 또는 과거의 이동속도, 주행한 거리 등을 파악할 수 있으며, 각 구동 바퀴(136(L), 136(R))의 회전 방향에 따라 현재 또는 과거의 방향 전환 과정 또한 파악할 수 있다. 이렇게 파악된 이동 로봇(100, 100a, 100b)의 주행 정보를 바탕으로, 맵 상에서 이동 로봇(100, 100a, 100b)의 위치가 갱신될 수 있다.
지도생성모듈(143)은 주행구역의 맵을 생성할 수 있다. 지도생성모듈(143)은 영상획득부(120)를 통해 획득한 영상을 처리하여 맵을 작성할 수 있다. 즉, 청소 영역과 대응되는 청소 맵을 작성할 수 있다.
또한, 지도생성모듈(143)은 각 위치에서 영상획득부(120)를 통해 획득한 영상을 처리하여 맵과 연계시켜 전역위치를 인식할 수 있다.
위치인식모듈(142)은 현재 위치를 추정하여 인식한다. 위치인식모듈(142)은 영상획득부(120)의 영상 정보를 이용하여 지도생성모듈(143)과 연계하여 위치를 파악함으로써, 이동 로봇(100, 100a, 100b)의 위치가 갑자기 변경되는 경우에도 현재 위치를 추정하여 인식할 수 있다.
이동 로봇(100, 100a, 100b)은 위치인식모듈(142)을 통해 연속적인 주행 중에 위치 인식이 가능하고 또한, 위치인식모듈(142) 없이 지도생성모듈(143) 및 장애물인식모듈(144)을 통해, 맵을 학습하고 현재 위치를 추정할 수 있다.
이동 로봇(100, 100a, 100b)이 주행하는 중에, 영상획득부(120)는 이동 로봇(100) 주변의 영상들을 획득한다. 이하, 영상획득부(120)에 의해 획득된 영상을 '획득영상'이라고 정의한다.
획득영상에는 천장에 위치하는 조명들, 경계(edge), 코너(corner), 얼룩(blob), 굴곡(ridge) 등의 여러가지 특징(feature)들이 포함된다.
지도생성모듈(143)은 획득영상들 각각으로부터 특징을 검출한다. 컴퓨터 비전(Computer Vision) 기술 분야에서 영상으로부터 특징을 검출하는 다양한 방법(Feature Detection)이 잘 알려져 있다. 이들 특징의 검출에 적합한 여러 특징검출기(feature detector)들이 알려져 있다. 예를 들어, Canny, Sobel, Harris&Stephens/Plessey, SUSAN, Shi&Tomasi, Level curve curvature, FAST, Laplacian of Gaussian, Difference of Gaussians, Determinant of Hessian, MSER, PCBR, Grey-level blobs 검출기 등이 있다.
지도생성모듈(143)은 각 특징점을 근거로 디스크립터를 산출한다. 지도생성모듈(143)은 특징 검출을 위해 SIFT(Scale Invariant Feature Transform) 기법을 이용하여 특징점을 디스크립터(descriptor)로 변환할 수 있다.
한편, 디스크립터는 특정 공간내에 존재하는 개별 특징점의 군집으로 정의되며, n차원 벡터(vector)로 표기될 수 있다. 예를 들어, 천정의 경계(edge), 코너(corner), 얼룩(blob), 굴곡(ridge) 등의 여러가지 특징(feature)들이 각각의 디스크립터로 산출되어 저장부(150)에 저장될 수 있다.
각 위치의 획득 영상을 통해 얻어진 디스크립터 정보를 바탕으로 획득 영상마다 적어도 하나의 디스크립터를 소정 하위 분류 규칙에 따라 복수의 군으로 분류하고, 소정 하위 대표규칙에 따라 같은 군에 포함된 디스크립터들을 각각 하위 대표 디스크립터로 변환 할 수 있다. 즉, 개별 영상을 통해 얻어진 디스크립터들에 대해 대표값을 지정하여 표준화 하는 과정을 거칠 수 있다.
SIFT는 촬영 대상의 스케일(scale), 회전, 밝기변화에 대해서 불변하는 특징을 검출할 수 있어, 같은 영역을 이동 로봇(100)의 자세를 달리하며 촬영하더라도 불변하는(즉, 회전 불변한(Rotation-invariant)) 특징을 검출할 수 있다. 물론, 이에 한정되지 않고 다른 다양한 기법(예를 들어, HOG: Histogram of Oriented Gradient, Haar feature, Fems, LBP:Local Binary Pattern, MCT:Modified Census Transform)들이 적용될 수도 있다.
지도생성모듈(143)은 각 위치의 획득영상을 통해 얻은 디스크립터 정보를 바탕으로, 획득영상마다 적어도 하나의 디스크립터를 소정 하위 분류규칙에 따라 복수의 군으로 분류하고, 소정 하위 대표규칙에 따라 같은 군에 포함된 디스크립터들을 각각 하위 대표 디스크립터로 변환할 수 있다.
다른 예로, 실(room)과 같이 소정 구역내의 획득영상 들로부터 모인 모든 디스크립터를 소정 하위 분류규칙에 따라 복수의 군으로 분류하여 상기 소정 하위 대표규칙에 따라 같은 군에 포함된 디스크립터들을 각각 하위 대표 디스크립터로 변환할 수도 있다.
지도생성모듈(143)은 이 같은 과정을 거쳐, 각 위치의 특징분포를 구할 수 있다. 각 위치 특징분포는 히스토그램 또는 n차원 벡터로 표현될 수 있다. 또 다른 예로, 지도생성모듈(143)은 소정 하위 분류규칙 및 소정 하위 대표규칙을 거치지 않고, 각 특징점으로부터 산출된 디스크립터를 바탕으로 미지의 현재위치를 추정할 수 있다.
또한, 위치 도약 등의 이유로 이동 로봇(100, 100a, 100b)의 현재 위치가 미지의 상태가 된 경우에, 기 저장된 디스크립터 또는 하위 대표 디스크립터 등의 데이터를 근거로 현재 위치를 추정할 수 있다.
이동 로봇(100, 100a, 100b)은, 미지의 현재 위치에서 영상획득부(120)를 통해 획득영상을 획득한다. 영상을 통해 천장에 위치하는 조명들, 경계(edge), 코너(corner), 얼룩(blob), 굴곡(ridge) 등의 여러가지 특징(feature)들이 확인된다.
위치인식모듈(142)은 획득영상으로부터 특징들을 검출한다. 컴퓨터 비전 기술 분야에서 영상으로부터 특징을 검출하는 다양한 방법 및 이들 특징의 검출에 적합한 여러 특징검출기들에 대한 설명은 상기한 바와 같다.
위치인식모듈(142)은 각 인식 특징점을 근거로 인식 디스크립터 산출단계를 거쳐 인식 디스크립터를 산출한다. 이때 인식 특징점 및 인식 디스크립터는 장애물인식모듈(144)에서 수행하는 과정을 설명하기 위한 것으로 지도생성모듈(143)에서 수행하는 과정을 설명하는 용어와 구분하기 위한 것이다. 다만, 이동 로봇(100, 100a, 100b)의 외부 세계의 특징이 각각 다른 용어로 정의되는 것에 불과하다.
위치인식모듈(142)은 본 특징 검출을 위해 SIFT(Scale Invariant Feature Transform) 기법을 이용하여 인식 특징점을 인식 디스크립터로 변환할 수 있다. 인식 디스크립터는 n차원 벡터(vector)로 표기될 수 있다.
SIFT는 앞서 설명한 바와 같이, 획득영상에서 코너점 등 식별이 용이한 특징점을 선택한 후, 각 특징점 주변의 일정한 구역에 속한 픽셀들의 밝기 구배(gradient)의 분포 특성(밝기 변화의 방향 및 변화의 급격한 정도)에 대해, 각 방향에 대한 변화의 급격한 정도를 각 차원에 대한 수치로 하는 n차원 벡터(vector)를 구하는 영상인식기법이다.
위치인식모듈(142)은 미지의 현재 위치의 획득영상을 통해 얻은 적어도 하나의 인식 디스크립터 정보를 근거로, 소정 하위 변환규칙에 따라 비교대상이 되는 위치 정보(예를 들면, 각 위치의 특징분포)와 비교 가능한 정보(하위 인식 특징분포)로 변환한다.
소정 하위 비교규칙에 따라, 각각의 위치 특징분포를 각각의 인식 특징분포와 비교하여 각각의 유사도를 산출할 수 있다. 각각의 위치에 해당하는 상기 위치 별로 유사도(확률)를 산출하고, 그 중 가장 큰 확률이 산출되는 위치를 현재위치로 결정할 수 있다.
이와 같이, 제어부(140)는 주행구역을 구분하고 복수의 영역으로 구성된 맵을 생성하거나, 기저장된 맵을 바탕으로 본체(110)의 현재 위치를 인식할 수 있다.
제어부(140)는 맵이 생성되면, 생성된 맵을 통신부(190)를 통해 외부 단말기, 서버 등으로 전송할 수 있다. 또한, 제어부(140)는 앞서 설명한 바와 같이, 외부 단말기, 서버 등으로부터 맵이 수신되면, 저장부에 저장할 수 있다.
또한 제어부(140)는 주행 중 맵이 갱신되는 경우 갱신된 정보를 외부 단말기로 전송하여 외부 단말기와 이동 로봇(100, 100a, 100b)에 저장되는 맵이 동일하도록 한다. 외부 단말기와 이동 로봇(100, 100a, 100b)에 저장된 맵이 동일하게 유지됨에 따라 이동 단말기로부터의 청소명령에 대하여, 이동 로봇(100, 100a, 100b)이 지정된 영역을 청소할 수 있으며, 또한, 외부 단말기에 이동 로봇의 현재 위치가 표시될 수 있도록 하기 위함이다.
이때, 맵은 청소 영역을 복수의 영역으로 구분되고, 복수의 영역을 연결하는 연결통로가 포함하며, 영역 내의 장애물에 대한 정보를 포함할 수 있다.
제어부(140)는 청소명령이 입력되면, 맵 상의 위치와 이동 로봇의 현재위치가 일치하는지 여부를 판단한다. 청소명령은 리모컨, 조작부 또는 외부 단말기로부터 입력될 수 있다.
제어부(140)는 현재 위치가 맵 상의 위치와 일치하지 않는 경우, 또는 현재 위치를 확인할 수 없는 경우, 현재 위치를 인식하여 이동 로봇(100)의 현재 위치를 복구한 한 후, 현재 위치를 바탕으로 지정영역으로 이동하도록 주행부(160)를 제어할 수 있다.
현재 위치가 맵 상의 위치와 일치하지 않는 경우 또는 현재 위치를 확인 할 수 없는 경우, 위치인식모듈(142)은 영상획득부(120)로부터 입력되는 획득영상을 분석하여 맵을 바탕으로 현재 위치를 추정할 수 있다. 또한, 장애물인식모듈(144) 또는 지도생성모듈(143) 또한, 같은 방식으로 현재 위치를 인식할 수 있다.
위치를 인식하여 이동 로봇(100, 100a, 100b)의 현재 위치를 복구한 후, 주행제어모듈(141)은 현재 위치로부터 지정영역으로 주행경로를 산출하고 주행부(160)를 제어하여 지정영역으로 이동한다.
서버로부터 청소 패턴 정보를 수신하는 경우, 주행제어모듈(141)은 수신한 청소 패턴 정보에 따라, 전체 주행구역을 복수의 영역으로 나누고, 하나 이상의 영역을 지정영역으로 설정할 수 있다.
또한, 주행제어모듈(141)은 수신한 청소 패턴 정보에 따라 주행경로를 산출하고, 주행경로를 따라 주행하며, 청소를 수행할 수 있다.
제어부(140)는 설정된 지정영역에 대한 청소가 완료되면, 청소기록을 저장부(150)에 저장할 수 있다.
또한, 제어부(140)는 통신부(190)를 통해 이동 로봇(100)의 동작상태 또는 청소상태를 소정 주기로 외부 단말기, 서버로 전송할 수 있다.
그에 따라 외부 단말기는 수신되는 데이터를 바탕으로, 실행중인 애플리케이션의 화면상에 맵과 함께 이동 로봇의 위치를 표시하고, 또한 청소 상태에 대한 정보를 출력한다.
본 발명의 실시예에 따른 이동 로봇(100, 100a, 100b)은 일방향으로 장애물이나 벽면이 감지될 때까지 이동하다가, 장애물인식모듈(144)이 장애물을 인식하면, 인식된 장애물의 속성에 따라 직진, 회전 등 주행 패턴을 결정할 수 있다.
예를 들어, 인식된 장애물의 속성이 넘어갈 수 있는 종류의 장애물이면, 이동 로봇(100, 100a, 100b)은 계속 직진할 수 있다. 또는, 인식된 장애물의 속성이 넘어갈 수 없는 종류의 장애물이면, 이동 로봇(100, 100a, 100b)은 회전하여 일정거리 이동하고, 다시 최초 이동 방향의 반대방향으로 장애물이 감지되는 거리까지 이동하여 지그재그 형태로 주행할 수 있다
본 발명의 실시예에 따른 이동 로봇(100, 100a, 100b)은, 머신 러닝(machine learning) 기반의 장애물 인식 및 회피를 수행할 수 있다.
상기 제어부(140)는, 입력 영상에서 머신 러닝(machine learning)으로 기학습된 장애물을 인식하는 장애물인식모듈(144)과 상기 인식된 장애물의 속성에 기초하여, 상기 주행부(160)의 구동을 제어하는 주행제어모듈(141)을 포함할 수 있다.
본 발명의 실시예에 따른 이동 로봇(100, 100a, 100b)은, 머신 러닝으로 장애물의 속성이 학습된 장애물인식모듈(144)을 포함할 수 있다.
머신 러닝은 컴퓨터에게 사람이 직접 로직(Logic)을 지시하지 않아도 데이터를 통해 컴퓨터가 학습을 하고 이를 통해 컴퓨터가 알아서 문제를 해결하게 하는 것을 의미한다.
딥러닝(Deep Learning)은. 인공지능을 구성하기 위한 인공신경망(Artificial Neural Networks: ANN)에 기반으로 해 컴퓨터에게 사람의 사고방식을 가르치는 방법으로 사람이 가르치지 않아도 컴퓨터가 스스로 사람처럼 학습할 수 있는 인공지능 기술이다.
상기 인공신경망(ANN)은 소프트웨어 형태로 구현되거나 칩(chip) 등 하드웨어 형태로 구현될 수 있다.
장애물인식모듈(144)은 장애물의 속성이 학습된 소프트웨어 또는 하드웨어 형태의 인공신경망(ANN)을 포함할 수 있다.
예를 들어, 장애물인식모듈(144)은 딥러닝(Deep Learning)으로 학습된 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(Deep Neural Network: DNN)을 포함할 수 있다.
딥러닝(Deep Learning)에 대해서는 도 9 내지 도 12 등을 참조하여 상세히 후술한다.
장애물인식모듈(144)은 상기 심층신경망(DNN)에 포함된 노드들 사이의 가중치(weight)들에 기초하여 입력되는 영상 데이터에 포함되는 장애물의 속성을 판별할 수 있다.
한편, 이동 로봇(100, 100a, 100b)이 이동 중 센서부(170)가 장애물을 감지하면, 제어부(140)는 상기 센서부(170)가 감지하는 장애물의 방향에 대응하여 상기 영상획득부(120)가 획득하는 영상의 일부 영역을 추출하도록 제어할 수 있다.
상기 영상획득부(120), 특히 전면 카메라(120a)는 상기 이동 로봇(100, 100a, 100b)의 이동 방향에서 소정 각도 범위 내의 영상을 획득할 수 있다.
상기 제어부(140)는, 상기 영상획득부(120), 특히 전면 카메라(120a)가 획득한 영상 전체를 사용하는 것이 아니라 일부 영역만을 사용하여 이동 방향에 존재하는 장애물의 속성을 판별할 수 있다.
도 6의 실시예를 참조하면, 상기 제어부(140)는, 상기 센서부(170)가 감지하는 장애물의 방향에 대응하여 상기 영상획득부(120)가 획득하는 영상의 일부 영역을 추출하는 영상처리모듈(145)을 더 포함할 수 있다.
또는, 도 7의 실시예를 참조하면, 이동 로봇(100b)은, 상기 센서부(170)가 감지하는 장애물의 방향에 대응하여 상기 영상획득부(120)가 획득하는 영상의 일부 영역을 추출하는 별도의 영상처리부(125)를 더 포함할 수 있다.
도 6의 실시예에 따른 이동 로봇(100a)과 도 7의 실시예를 실시예에 따른 이동 로봇(100b)은 영상처리모듈(145), 영상처리부(125) 외에 다른 구성은 동일하다.
또는, 실시예에 따라서는, 도 6과 도 7의 실시예와는 달리 상기 영상획득부(120)가 직접 상기 영상의 일부 영역을 추출할 수도 있다.
상기 머신 러닝으로 학습된 장애물인식모듈(144)은 그 특성상 학습한 대상이 입력 영상 데이터에서 많은 부분을 차지할수록 인식률이 높다.
따라서, 본 발명은 초음파 센서 등 센서부(170)가 감지하는 장애물의 방향에 따라 영상획득부(120)가 획득한 영상 중 다른 영역을 추출하여 인식용 데이터로 사용함으로써, 인식률을 높일 수 있다.
상기 장애물인식모듈(144)은 추출된 영상에서 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 장애물을 인식할 수 있다.
또한, 상기 주행제어모듈(141)은 상기 인식된 장애물의 속성에 기초하여 상기 주행부(160)의 구동을 제어할 수 있다.
한편, 상기 제어부(140)는, 상기 장애물이 상기 본체 전면의 우측 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 우측하단 영역을 추출하고, 상기 장애물이 상기 본체 전면의 좌측 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 좌측하단 영역을 추출하며, 상기 장애물이 상기 본체 전면 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 중앙(center)하단 영역을 추출하도록 제어할 수 있다.
또한, 상기 제어부(140)는, 상기 영상획득부가 획득하는 영상에서의 추출 대상 영역을, 상기 감지되는 장애물의 방향에 대응하도록 이동(shift)시켜 추출하도록 제어할 수 있다.
상기 영상획득부(120)가 획득한 영상 중 일부 영역을 잘라내어(cropping) 추출하는 구성에 대해서는 도 15 내지 도 21 등을 참조하여 상세히 후술한다.
또한, 이동 로봇(100, 100a, 100b)이 이동 중 센서부(170)가 장애물을 감지하면, 제어부(140)는 상기 본체(110)의 이동 방향과 이동 속도에 기초하여, 상기 영상획득부(120)가 획득하는 연속된 복수의 영상 중 상기 센서부(170)의 장애물 감지 시점 이전의 특정 시점 영상을 선택하도록 제어할 수 있다.
센서부(170)의 장애물 감지 시점을 트리거(trigger) 신호로 하여, 영상획득부(120)가 영상을 획득하는 경우에는, 이동 로봇이 계속 이동하고 있어, 장애물이 획득영상에 포함되지 않거나 작게 포함될 수 있다.
따라서, 본 발명의 일 실시예는, 상기 본체(110)의 이동 방향과 이동 속도에 기초하여, 상기 영상획득부(120)가 획득하는 연속된 복수의 영상 중 상기 센서부(170)의 장애물 감지 시점 이전의 특정 시점 영상을 선택하여, 장애물 인식용 데이터로 사용할 수 있다.
한편, 장애물인식모듈(144)은, 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 상기 선택된 특정 시점 영상에 포함되는 장애물의 속성을 인식할 수 있다.
한편, 저장부(150)에는 장애물 속성 판별을 위한 입력 데이터, 상기 심층신경망(DNN)을 학습하기 위한 데이터가 저장될 수 있다.
저장부(150)에는 영상획득부(120)가 획득한 원본 영상과 소정 영역이 추출된 추출 영상들이 저장될 수 있다.
또한, 실시예에 따라서는, 저장부(150)에는 상기 심층신경망(DNN) 구조를 이루는 웨이트(weight), 바이어스(bias)들이 저장될 수 있다.
또는, 실시예에 따라서는, 상기 심층신경망 구조를 이루는 웨이트(weight), 바이어스(bias)들은 상기 장애물인식모듈(144)의 임베디드 메모리(embedded memory)에 저장될 수 있다.
한편, 상기 장애물인식모듈(144)은 상기 영상획득부(120)가 획득하는 영상의 일부 영역을 추출할 때마다 상기 추출된 영상을 트레이닝(training) 데이터로 사용하여 학습 과정을 수행하거나, 소정 개수 이상의 추출 영상이 획득된 후 학습 과정을 수행할 수 있다.
즉, 상기 장애물인식모듈(144)은 장애물을 인식할 때마다 인식 결과를 추가하여 웨이트(weight) 등 심층신경망(DNN) 구조를 업데이트(update)하거나, 소정 횟수의 트레이닝 데이터가 확보된 후에 확보된 트레이닝 데이터로 학습 과정을 수행하여 웨이트(weight) 등 심층신경망(DNN) 구조를 업데이트할 수 있다.
또는, 이동 로봇(100, 100a, 100b)은 통신부(190)를 통하여 상기 추출된 영상을 소정 서버로 전송하고, 상기 소정 서버로부터 머신 러닝과 관련된 데이터를 수신할 수 있다.
이 경우에, 이동 로봇(100, 100a, 100b)은, 상기 소정 서버로부터 수신된 머신 러닝과 관련된 데이터에 기초하여 장애물인식모듈(141)을 업데이트(update)할 수 있다.
도 8은 본 발명의 일 실시예에 따른 서버의 간략한 내부 블록도의 일예이다.
도 8을 참조하면, 서버(70)는, 통신부(820), 저장부(830), 학습모듈(840), 및 프로세서(810)를 구비할 수 있다.
프로세서(810)는, 서버(70)의 전반적인 동작을 제어할 수 있다.
한편, 서버(70)는, 상기 이동 로봇(100, 100a, 100b) 등 홈 어플라이언스 제조사가 운영하는 서버 또는 서비스 제공자가 운영하는 서버일 수 있고, 일종의 클라우드(Cloud) 서버일 수 있다.
통신부(820)는, 휴대 단말기, 이동 로봇(100, 100a, 100b) 등 홈 어플라이언스, 게이트웨이 등으로부터 상태 정보, 동작 정보, 조작 정보 등 각종 데이터를 수신할 수 있다.
그리고 통신부(820)는 수신되는 각종 정보에 대응하는 데이터를 휴대 단말기, 이동 로봇(100, 100a, 100b) 등 홈 어플라이언스, 게이트웨이 등으로 송신할 수 있다.
이를 위해, 통신부(820)는 인터넷 모듈, 이동 통신 모듈 등 하나 이상의 통신 모듈을 구비할 수 있다.
저장부(830)는, 수신되는 정보를 저장하고, 이에 대응하는 결과 정보 생성을 위한 데이터를 구비할 수 있다.
또한, 저장부(830)는, 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.
학습모듈(840)은 상기 이동 로봇(100, 100a, 100b) 등 홈 어플라이언스의 학습기 역할을 수행할 수 있다.
상기 학습모듈(840)에는 인공신경망, 예를 들어, CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(Deep Neural Network: DNN)을 포함될 수 있고, 심층신경망을 학습할 수 있다.
상기 학습모듈(840)의 학습 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다.
한편, 상기 제어부(810)는 설정에 따라 학습 후 상기 이동 로봇(100, 100a, 100b) 등 홈 어플라이언스의 인공신경망 구조를 학습된 인공신경망 구조로 업데이트시키도록 제어할 수 있다.
도 9 내지 도 12는 딥러닝(Deep Learning)에 대한 설명에 참조되는 도면이다.
머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다.
딥러닝(Deep learning)은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낼 수 있다.
딥러닝 구조는 인공신경망(ANN)를 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(DNN)으로 구성될 수 있다
도 9를 참조하면, 인공신경망(ANN)은 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer), 및 출력 레이어(Output Layer)를 포함할 수 있다. 각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연결된다. 인접한 레이어 사이의 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.
도 10을 참조하면, 컴퓨터(머신)는 투입된 입력 데이터(1010)로부터 일정한 패턴을 발견해 특징맵(Feature Map)을 형성한다. 컴퓨터(머신)는 하위레벨 특징(1020)부터, 중간레벨 특징(1030), 상위레벨 특징(1040)까지 추출하여, 대상을 인식하고 그 결과를 출력(1050)할 수 있다.
인공신경망은 다음 순서의 레이어로 갈수록 더욱 상위레벨의 특징으로 추상화할 수 있다.
도 9와 도 10을 참조하면, 각 노드들은 활성화 모델에 기초하여 동작할 수 있고, 활성화 모델에 따라 입력값에 대응하는 출력값이 결정될 수 있다.
임의의 노드, 예를 들어, 하위레벨 특징(1020)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 중간레벨 특징(1030)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 중간레벨 특징(1030)의 노드는 하위레벨 특징(1020)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다.
이 때, 각 노드의 입력값은 이전 레이어의 노드의 출력값에 웨이트(weight)가 적용된 값일 수 있다. 웨이트(weight)는 노드간의 연결 강도를 의미할 수 있다.
또한, 딥러닝 과정은 적절한 웨이트(weight)를 찾아내는 과정으로도 볼 수 있다.
한편, 임의의 노드, 예를 들어, 중간레벨 특징(1030)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 상위레벨 특징(1040)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 상위레벨 특징(1040)의 노드는 중간레벨 특징(1030)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다.
인공신경망은 각 레벨에 대응하는 학습된 레이어(layer)를 이용하여, 각 레벨에 대응하는 특징 정보를 추출할 수 있다. 인공신경망은 순차적으로 추상화하여, 가장 상위 레벨의 특징 정보를 활용하여 소정 대상을 인식할 수 있다.
예를 들어, 딥러닝에 의한 얼굴인식 과정을 살펴보면, 컴퓨터는 입력 영상으로부터, 픽셀의 밝기에 따라 밝은 픽셀과 어두운 픽셀을 구분하고, 테두리, 에지 등 단순한 형태를 구분한 후, 조금 더 복잡한 형태와 사물을 구분할 수 있다. 최종적으로 컴퓨터는 인간의 얼굴을 규정하는 형태를 파악할 수 있다.
본 발명에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등일 수 있다.
RNN(Recurrent Neural Network)은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(Time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다.
DBN(Deep Belief Network)은 딥러닝 기법인 RBM(Restricted Boltzman Machine)을 다층으로 쌓아 구성되는 딥러닝 구조이다. RBM(Restricted Boltzman Machine) 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN(Deep Belief Network)를 구성할 수 있다.
CNN(Convolutional Neural Network)은, 특히 객체 인식 분야에서 많이 사용되는 구조로써, 도 11과 도 12를 참조하여 설명한다.
CNN(Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다.
도 11은 CNN(Convolutional Neural Network) 구조를 도시한 도면이다.
CNN(Convolutional Neural Network)도 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer), 및 출력 레이어(Output Layer)를 포함할 수 있다.
입력 레이어(Input Layer)에는 소정 이미지(1100)가 입력된다.
도 11을 참조하면, 히든 레이어(Hiddent Layer)는 복수의 레이어로 구성되고, 컨볼루션 레이어(convolution layer)와 서브-샘플링 레이어(sub-sampling layer)를 포함할 수 있다.
CNN(Convolutional Neural Network)에서는 기본적으로 컨볼루션(convolution) 연산을 통해 영상의 특징을 추출하기 위한 다양한 필터와 비선형적인 특성을 더하기 위한 풀링(pooling) 또는 비선형 활성화(non-linear activation) 함수 등이 함께 사용된다.
컨볼루션(convolution)은 영상 처리 분야에서 주로 필터 연산에 사용되며 영상으로부터 특징(feature)을 추출하기 위한 필터를 구현하는데 사용된다.
예를 들어, 도 12와 같이, 3X3 윈도우를 이동하면서 영상 전체에 대해서 컨볼루션 연산을 반복적으로 수행하게 되면 윈도우의 가중치(weight) 값에 따라 적정한 결과를 얻을 수 있다.
도 12의 (a)를 참조하면 전체 이미지 중 소정 영역(1210)에 대해 3X3 윈도우를 이용하여, 컨볼루션 연산을 수행하면, 결과값(1201)이 나온다.
도 12의 (b)를 참조하면 3X3 윈도우를 우측으로 1 이동시킨 영역(1220)에 대해 다시 결과를 구하면 소정 결과값(1202)이 나오게 된다.
즉, 도 12의 (c)와 같이, 소정 윈도우를 이동시키면서 영상 전체에 대해서 연산을 수행하면 최종적인 결과를 얻을 수 있다.
컨볼루션 레이어(convolution layer)는 미리 정한 크기의 필터(예를 들어, 도 12에서 예시된 3X3 윈도우)를 이용하여 이전 레이어에서 추출된 정보를 필터링하는 컨볼루션 필터링을 수행하는데 사용될 수 있다.
컨볼루션 레이어(convolution layer)는 컨볼루션 필터를 이용하여 입력된 영상 데이터(1100, 1102)에 컨볼루션 연산을 수행하고, 입력 이미지(1100)의 특징이 표현된 특징맵(1101, 1103)을 생성한다.
컨볼루션 필터링의 결과로서, 컨볼루션 레이어(convolution layer)에 포함된 필터의 개수에 따라 필터 개수만큼의 필터링 영상들이 생성될 수 있다. 컨볼루션 레이어는 필터링 영상들에 포함된 노드들로 구성될 수 있다.
또한, 컨볼루션 레이어(convolution layer)와 쌍을 이루는 서브-샘플링 레이어(sub-sampling layer)는 쌍을 이루는 컨볼루션 레이어(convolution layer)와 동일한 수의 특징맵들을 포함할 수 있다.
서브-샘플링 레이어(sub-sampling layer)는 샘플링 또는 풀링(pooling)을 통해 특징맵(1101, 1103)의 차원을 감소시킨다.
출력 레이어(Output Layer)는 특징맵(1104)에 표현된 다양한 특징을 조합하여 입력 이미지(1100)를 인식한다.
본 발명에 따른 이동 로봇의 장애물 인식 모듈은 상술한 다양한 딥러닝 구조를 이용할 수 있다. 예를 들어, 본 발명이 한정되는 것은 아니나, 영상 내 객체 인식에서 많이 사용되고 있는 CNN(Convolutional Neural Network) 구조를 이용할 수 있다.
한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있다.
도 13과 도 14는 본 발명의 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도이다.
도 2 내지 도 7, 및, 도 13을 참조하면, 먼저, 이동 로봇(100, 100a, 100b)은 명령 또는 설정에 따라서 이동하며 청소를 수행할 수 있다(S1310).
센서부(170)는 장애물감지센서(131)를 포함하며, 전방의 장애물을 감지할 수 있다.
이동 중에 센서부(170)를 통하여 장애물이 감지되면(S1320), 영상획득부(120)는 본체(110) 전방의 영상을 획득할 수 있다(S1330).
이 경우에, 제어부(140)는, 상기 센서부(170)가 감지하는 장애물의 방향에 대응하여 영상획득부(120)가 획득하는 영상의 일부 영역을 잘라내어 추출하도록 제어할 수 있다(S1340).
실시예에 따라서, 상기 제어부(140) 내의 영상처리모듈(145)이 상기 영상의 일부 영역을 추출할 수 있다. 또는 상기 제어부(140)는 별도로 구비되는 영상처리부(125)가 일부 영역을 추출하도록 제어할 수 있다. 또는 상기 제어부(140)는 영상획득부(120)가 일부 영역을 추출하도록 제어할 수 있다.
한편, 장애물인식모듈은(144)은 상기 추출된 영상에서 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 장애물을 인식할 수 있다(S1350).
장애물인식모듈(144)은 머신 러닝으로 장애물의 종류 등 속성을 인식하도록 학습된 인공신경망을 포함할 수 있고, 기학습된 데이터에 기초하여 장애물의 속성을 인식할 수 있다(S1350).
예를 들어, 장애물인식모듈(144)에는 딥러닝 구조 중 하나인 CNN(Convolutional Neural Network)이 탑재되고, 기학습된 CNN(Convolutional Neural Network)은 입력 데이터에 포함된 장애물의 속성을 인식하여 그 결과를 출력할 수 있다.
상기 머신 러닝으로 학습된 장애물인식모듈(144)은 그 특성상 학습한 대상이 입력 영상 데이터에서 많은 부분을 차지할수록 인식률이 높다.
따라서, 본 발명은 센서부(170)가 감지하는 장애물의 방향에 따라 영상획득부(120)가 획득한 영상 중 다른 영역을 추출하여 인식용 데이터로 사용함으로써, 인식률을 높일 수 있다.
상기 영상획득부(120)가 획득한 영상 중 일부 영역을 잘라내어(cropping) 추출하는 구성에 대해서는 도 15 내지 도 21 등을 참조하여 상세히 후술한다.
한편, 주행제어모듈(141)은, 상기 인식된 장애물의 속성에 기초하여, 주행부(160)의 구동을 제어할 수 있다(S1360).
예를 들어, 주행제어모듈(141)은 상기 인식된 장애물이 넘을 수 없는 높이의 장애물인 경우에, 장애물을 우회하여 주행하도록 제어할 수 있다.
또한, 주행제어모듈(141)은 낮은 높이의 둔턱과 같이 상기 인식된 장애물이 넘을 수 있는 높이의 장애물인 경우에, 계속해서 직진 주행하도록 제어할 수 있다.
또한, 주행제어모듈(141)은 선풍기의 받침대, 인모, 멀티탭, 전선 등 낮은 높이의 장애물이라도 이동시 구속 가능성이 있는 장애물이 인식되면, 장애물을 우회하여 주행하도록 제어할 수 있다.
한편, 상술한 장애물 인식 과정을 여러 번 수행하고, 복수 개의 인식 결과에 기초하여 최종 인식 결과를 도출함으로써, 인식 정확도를 더욱 향상할 수 있다.
예를 들어, 제어부(140)는, 감지된 장애물의 위치 정보와 이동 로봇의 위치 정보를 저장부(150)에 저장하며, 상기 감지된 장애물의 위치를 중심으로 소정 크기를 가지는 영역을 맵(map)에 장애물지역으로 등록하도록 제어할 수 있다.
이후, 등록된 장애물지역을 지나갈 때마다 장애물의 속성을 인식하고, 복수개의 인식 결과에 기초하여 최종 장애물 속성을 판별할 수 있다.
제어부(140)는, 소정 장애물지역에서 상기 영상획득부(120)를 통하여 획득되는 영상들에 대해서 순차적으로 장애물의 속성을 인식하고, 상기 순차적으로 인식된 복수의 인식 결과에 기초하여 상기 장애물의 최종 속성을 판별할 수 있다. 본 실시예에 대해서는, 도 29 내지 도 34를 참조하여 상세히 후술한다.
도 2 내지 도 7, 및 도 14를 참조하면, 먼저, 이동 로봇(100, 100a, 100b)은 명령 또는 설정에 따라서 이동할 수 있다(S1410).
센서부(170)가 초음파 센서를 포함하는 경우에, 반사되는 초음파 신호를 감지함으로써 장애물을 인식할 수 있다(S1420).
한편, 영상획득부(120)는 지속적으로 이동 로봇(100, 100a, 100b) 전방 및 주변을 촬영하거나, 상기 센서부(170)의 장애물 감지에 따라 전방 및 주변을 촬영하여 영상을 획득할 수 있다.
제어부(140)는 상기 영상획득부(120)를 통하여 획득한 영상 중 상기 초음파 신호가 감지된 영역에 대응하는 영역을 추출하도록 제어할 수 있다(S1430). 예를 들어, 제어부(140)는 상기 초음파 신호가 감지된 영역이 전방 우측 영역인 경우에 상기 영상획득부(120)를 통하여 획득한 영상 중 우측 영역을 추출하도록 제어할 수 있다. 또한, 제어부(140)는 상기 초음파 신호가 감지된 영역이 전방 중앙 영역인 경우에 상기 영상획득부(120)를 통하여 획득한 영상 중 중앙 영역을 추출하도록 제어할 수 있다.
한편, 제어부(140)는 머신 러닝으로 기학습된 데이터에 기초하여, 상기 추출된 영상에서 감지된 장애물의 속성을 판별할 수 있다.
또한, 제어부(140)는 감지된 장애물이 넘을 수 있는 높이인지 여부를 판단할 수 있다(S1440).
만약 상기 인식된 장애물이 넘을 수 없는 높이의 장애물인 경우에(S1440), 제어부(140)는 90도 회전한 후 장애물을 우회하여 주행하도록 제어할 수 있다(S1455).
한편, 상기 인식된 장애물이 넘을 수 있는 높이의 장애물인 경우에(S1440), 어부(140)는 감지된 장애물의 속성 정보를 판단할 수 있다(S1445). 즉, 제어부(140)는 상기 인식된 장애물이 구속 가능성이 작아 진행해도 되는 장애물인지 여부를 판단할 수 있다.
진행해도 되는 장애물로 판단되면, 제어부(140)는 계속해서 직진 이동하도록 제어할 수 있다(S1450).
종래에는 감지된 장애물이 넘을 수 있는 높이인지 여부를 판단하여, 낮은 높이의 장애물의 경우에 직진 주행하였다.
하지만, 전선 등과 같은 장애물의 경우, 이동 로봇이 전선에 감겨 구속되는 경우가 발생하였다.
또한, 이동 로봇은 구속되는 경우에 좌/우로 흔드는 모션(motion) 등을 적용하여 구속 상태를 벗어나려고 하나, 전선의 피복이 벗겨지는 안전사고 등이 발생할 수 있었다.
하지만, 본 발명은 머신 러닝과 영상 정보를 활용하여 장애물 속성 정보를 인식하고, 인식된 장애물 속성에 따라 주행 패턴을 결정함으로써, 신뢰성을 향상시킬 수 있다.
도 15 내지 도 21은 본 발명의 실시예에 따른 이동 로봇의 제어 방법에 관한 설명에 참조되는 도면으로, 영상획득부(120)가 획득한 영상 중 일부 영역을 잘라내어(cropping) 추출하는 구체적인 예들을 도시한 것이다.
도 15를 참조하면, 이동 로봇(100)은 센서부(170)를 통하여 이동 중에 선풍기 등 장애물(1500)을 감지할 수 있다. 도 15는 장애물(1500)이 이동 로봇(100)의 이동 방향 중앙에서 감지되는 경우를 예시한다.
이동 로봇(100)이 이동 중에 장애물(1500)의 존재를 감지하면, 도 16의 (a)와 같이, 영상획득부(120)는 이동 로봇(100)의 전방을 촬영하여 장애물(1500)의 적어도 일부가 포함되는 영상(1600)을 획득할 수 있다.
제어부(140)는 상기 센서부(170)가 감지하는 장애물(1500)의 방향에 대응하여 영상획득부(120)가 획득한 영상(1600) 중 일부 영역(1610)을 추출하도록 제어할 수 있다.
도 15와 도 16을 참조하면, 제어부(140)는 상기 장애물(1500)이 본체(110) 전면 방향에서 감지되는 경우에, 상기 영상획득부(120)가 획득하는 영상의 중앙(center)하단 영역(1610)을 추출하도록 제어할 수 있다.
한편, 제어부(140)는, 도 16의 (b)와 같이 추출된 영상(1620)을 장애물의 속성을 인식하기 위한 입력 데이터로 사용할 수 있다.
장애물인식모듈(144)은 머신러닝으로 기학습된 데이터에 기초하여 상기 장애물(1500)이 선풍기라는 것을 인식할 수 있다. 예를 들어, 장애물인식모듈(144)에는 딥러닝 구조 중 하나인 CNN(Convolutional Neural Network)이 탑재되고, 기학습된 CNN(Convolutional Neural Network)은 입력 데이터에 포함된 장애물의 속성을 인식하여 그 결과를 출력할 수 있다.
한편, 주행제어모듈(141)은 상기 감지된 장애물이 진행해도 되는 장애물이 아닌 경우에, 회전 후 진행 등 회피 동작을 수행하도록 주행부(160)를 제어할 수 있다.
한편, 상기 추출된 영상(1620)은 저장부(150)에 저장될 수 있다. 또한, 영상획득부(120)가 획득한 원본 영상(1600)도 상기 저장부(150)에 저장될 수 있다.
상기 저장부(150)에 저장된 추출된 영상(1620)은 트레이닝 데이터로 활용될 수 있다.
한편, 제어부(140)는 장애물이 본체(110) 전면의 우측 방향에서 감지되는 경우에, 상기 영상획득부(120)가 획득하는 영상의 우측하단 영역을 추출하고, 장애물이 상기 본체(110) 전면의 좌측 방향에서 감지되는 경우에, 상기 영상획득부(120)가 획득하는 영상의 좌측하단 영역을 추출하도록 제어할 수 있다.,
도 17은 장애물(1500)이 이동 로봇(100)의 이동 방향 우측에서 감지되는 경우를 예시한다.
도 18의 (a)를 참조하면, 장애물(1500)이 본체(110) 전면의 우측 방향에서 감지되는 경우에, 제어부(140)는 상기 영상획득부(120)가 획득하는 영상(1800)의 우측하단 영역(1810)을 추출하도록 제어할 수 있다.
제어부(140)는, 도 18의 (b)와 같이 추출된 영상(1820)을 장애물의 속성을 인식하기 위한 입력 데이터로 사용할 수 있다.
본 발명은 단순히 전체 영상의 중심 영역을 기준으로 미리 설정된 크기로 크로핑(cropping)하는 것이 아니라, 장애물이 감지되는 방향에 기초하여, 영상 중 중앙, 좌측, 우측 영역을 추출할 수 있다.
이에 따라, 인식을 위한 입력 데이터에 장애물이 최대한 많이 포함될 수 있다. 머신은 영상 내 비중이 가장 많은 것을 인식하므로, 장애물의 속성 인식률을 향상시킬 수 있다.
한편, 이동 로봇(100)은 소정 공간의 바닥에서 주행하므로 획득영상의 하단부를 추출하여 인식을 위한 입력 데이터에 장애물이 더 많이 포함되도록 할 수 있다.
한편, 도 19의 (a), 도 20의 (a), 도 21의 (a)를 참조하면, 본 발명의 일 실시예에 따른 센서부(170)는, 이동 로봇(100)의 본체 전면에 배치되는 제1 센서(S1), 상기 제1 센서(S1)로부터 좌, 우로 이격되도록 배치되는 제2 센서(S2) 및 제3 센서(S3)를 포함할 수 있다.
이 경우에, 상기 제1 센서(S1)는 발신부로 동작하고, 제2 센서(S2) 및 제3 센서(S3)는 수신부로 동작할 수 있다. 예를 들어, 상기 제1 센서(S1)는 초음파 신호를 방사하고, 제2 센서(S2) 및 제3 센서(S3)는 장애물에 반사된 신호를 수신할 수 있다. 장애물에 반사된 신호를 수신하면, 공지된 초음파를 이용한 인식 방법들을 이용하여 장애물이 있는 방향, 장애물과의 거리를 판단할 수 있다.
도 19의 (a)는 장애물(X1)이 이동 로봇(100)의 전면 방향 중앙에서 감지되는 경우를 예시한다. 상기 감지되는 장애물(X1)과 상기 제2 센서(S2) 사이의 거리(l1)와 상기 감지되는 장애물(X1)과 상기 제3 센서(S3) 사이의 거리(l2)가 동일(l1=l2)하면, 장애물(X1)이 이동 로봇(100)의 전면 방향 중앙에서 감지된 것으로 판단할 수 있다.
이 경우에, 도 19의 (b)와 같이 a1Xb1의 크기를 가지는 영상획득부(120)가 획득한 원본 영상 전체(1900)의 중앙(center)하단에서 a2Xb2의 크기를 가지는 소정 영역(1910)을 추출할 수 있다.
한편, 제어부(140)는, 상기 영상획득부(120)가 획득하는 영상에서의 추출 대상 영역을, 상기 감지되는 장애물(X1)과 상기 제2 센서(S2) 사이의 거리(l1)와 상기 감지되는 장애물(X1)과 상기 제3 센서(S3) 사이의 거리(l2) 차이에 비례하도록 이동(shift)시켜 추출하도록 제어할 수 있다.
도 20의 (a)는 장애물(X1)이 이동 로봇(100)의 전면 우측 방향에서 감지되는 경우를 예시한다. 상기 감지되는 장애물(X1)과 상기 제2 센서(S2) 사이의 거리(l1)가 상기 감지되는 장애물(X1)과 상기 제3 센서(S3) 사이의 거리(l2)보다 크면(l1>l2), 장애물(X1)이 이동 로봇(100)의 전면 우측 방향에서 감지된 것으로 판단할 수 있다.
이 경우에, 도 20의 (b)와 같이 a1Xb1의 크기를 가지는 영상획득부(120)가 획득한 원본 영상 전체(1900)의 우측하단에서 a2Xb2의 크기를 가지는 소정 영역(1920)을 추출할 수 있다.
도 19의 (b)와 도 20의 (b)를 비교하면, 장애물(X1)이 우측에서 감지될 때의추출 대상 영역(1920)의 중앙점(CP2), 시작점(SP2)이 장애물(X1)이 중앙에서 감지될 때의 추출 대상 영역(1910)의 중앙점(CP1), 시작점(SP1)에서 소정값(d1)만큼 우측으로 이동(shift)된 것을 확인할 수 있다.
이 경우에, 이동(shift)되는 소정값(d1)은 상기 감지되는 장애물(X1)과 상기 제2 센서(S2) 사이의 거리(l1)와 상기 감지되는 장애물(X1)과 상기 제3 센서(S3) 사이의 거리(l2) 차이(l1-l2)에 비례할 수 있다.
도 21의 (a)는 장애물(X1)이 이동 로봇(100)의 전면 좌측 방향에서 감지되는 경우를 예시한다. 상기 감지되는 장애물(X1)과 상기 제2 센서(S2) 사이의 거리(l1)가 상기 감지되는 장애물(X1)과 상기 제3 센서(S3) 사이의 거리(l2)보다 작으면(l1<l2), 장애물(X1)이 이동 로봇(100)의 전면 좌측 방향에서 감지된 것으로 판단할 수 있다.
이 경우에, 도 21의 (b)와 같이 a1Xb1의 크기를 가지는 영상획득부(120)가 획득한 원본 영상 전체(1900)의 좌측하단에서 a2Xb2의 크기를 가지는 소정 영역(1930)을 추출할 수 있다.
도 19의 (b)와 도 21의 (b)를 비교하면, 장애물(X1)이 좌측에서 감지될 때의추출 대상 영역(1930)의 중앙점(CP3), 시작점(SP3)이 장애물(X1)이 중앙에서 감지될 때의 추출 대상 영역(1910)의 중앙점(CP1), 시작점(SP1)에서 소정값(d2)만큼 좌측으로 이동(shift)된 것을 확인할 수 있다.
이 경우에, 이동(shift)되는 소정값(d2)은 상기 감지되는 장애물(X1)과 상기 제2 센서(S2) 사이의 거리(l1)와 상기 감지되는 장애물(X1)과 상기 제3 센서(S3) 사이의 거리(l2) 차이(l2-l1)에 비례할 수 있다.
한편, 본 발명의 일 실시예에 따른 이동 로봇은, 상기 추출된 영상을 트레이닝(training) 데이터로 사용하여 학습 과정을 수행함으로써, 인공신경망(ANN), 심층신경망(DNN) 구조를 지속적으로 업데이트할 수 있다.
또는, 상기 추출된 영상을 소정 서버로 전송하고, 상기 소정 서버로부터 머신 러닝과 관련된 데이터를 수신할 수 있다. 이후, 이동 로봇은, 상기 소정 서버로부터 수신된 머신 러닝과 관련된 데이터에 기초하여 상기 장애물인식모듈을 업데이트(update)할 수 있다.
도 22는 본 발명의 일 실시예에 따른 이동 로봇과 서버의 동작 방법에 관한 설명에 참조되는 도면이고, 도 23은 본 발명의 일 실시예에 따른 이동 로봇과 서버의 동작 방법을 도시한 순서도이다.
도 22와 도 23을 참조하면, 이동 로봇(100)의 장애물인식모듈(144)에는 CNN(Convolutional Neural Network)등 심층신경망(DNN) 구조(144a)가 탑재될 수 있다.
기학습된 심층신경망(DNN) 구조(144a)는 인식용 입력 데이터를 입력받고(S2310), 입력 데이터에 포함된 장애물의 속성을 인식하여(S2320), 그 결과를 출력할 수 있다(S2330).
심층신경망(DNN) 구조(144a)가 인식하지 못하는 데이터(unknown data)는 저장부(150) 또는 장애물인식모듈(144) 내의 자체 저장공간(144b)에 저장될 수 있다(S2340).
한편, 장애물인식모듈(144)이 인식하지 못하는 데이터(unknown data)는 통신부(190)를 통하여 서버(70)로 전송될 수 있다(S2341). 또한, 장애물인식모듈(144)이 인식에 성공한 데이터도 서버(70)로 전송될 수 있다.
서버(70)는 학습된 웨이트(weight)들의 구성을 생성할 수 있고, 서버(70)는 심층신경망(DNN) 구조를 트레이닝(training) 데이터를 사용하여 학습할 수 있다.
서버(70)는 수신한 데이터에 기초하여, 심층신경망(DNN)을 학습시킨 후(S2342), 업데이트된 심층신경망(DNN) 구조 데이터를 이동 로봇(100)으로 전송하여 업데이트하게 할 수 있다(S2343).
도 24 내지 도 26은 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법에 관한 설명에 참조되는 도면이다.
본 발명의 실시예에 따른 이동 로봇의 장애물을 감지하는 영역을 중앙, 좌측, 우측의 3영역으로 구분하여 식별할 수 있을 뿐만 아니라, 그 이상의 개수로 영역들을 구분할 수 있다.
도 24는 6개의 영역으로 나누어 장애물을 감지하는 경우를 예시한 것이다.
도 24 의 (a)를 참조하면, 장애물 감지 영역(2400)을 중앙 상부 영역(CU), 중앙 하부 영역(CD), 우측 상부 영역(RU), 우측 하부 영역(RD), 좌측 상부 영역(LU), 좌측 하부 영역(LD)의 6개의 영역으로 나누어 장애물을 감지할 수 있다.
또한, 본 발명의 실시예에 따른 이동 로봇은 영상획득부(120)가 획득하는 전체 영상 중 장애물이 감지되는 영역에 대응하여 일부 영역을 추출할 수 있다.
도 24 의 (b)를 참조하면, 장애물(2410)이 중앙 상부 영역(CU)과 우측 상부 영역(RU)에 걸쳐 감지될 수 있다. 이 경우에 영상획득부(120)가 획득하는 전체 영상 중 중앙 상부 영역과 우측 상부 영역을 크로핑(cropping)할 수 있다.
도 24 의 (c)를 참조하면, 장애물(2420)이 중앙 하부 영역(CD), 우측 하부 영역(RD), 좌측 하부 영역(LD)에 걸쳐 감지될 수 있다. 이 경우에 영상획득부(120)가 획득하는 전체 영상 중 하부 영역(CD, RD, LD)을 크로핑(cropping)할 수 있다.
또는 장애물 감지 영역에 할당된 영역별로 크로핑(cropping)하는 것이 아니라, 영역을 더 세분화하여 크로핑(cropping)할 수 있다.
예를 들어, 도 24 의 (c)를 참조하면, 장애물(2420)이 중앙 하부 영역(CD), 우측 하부 영역(RD), 좌측 하부 영역(LD)에 걸쳐 감지되는 경우에, 중앙 하부 영역(CD), 우측 하부 영역(RD), 좌측 하부 영역(LD) 내의 하부 영역(2325)을 크로핑(cropping)할 수 있다.
도 25와 도 26은 장애물인식모듈(144)의 장애물 인식에 관한 설명에 참조되는 도면이다.
도 25를 참조하면, 장애물인식모듈(144)은, 장애물들을 선풍기, 홈씨어터, 멀티탭, 램프받침, 인모, 둔턱 등 클래스(class)로 분류하고 구분하여 인식할 수 있다.
또한, 장애물인식모듈(144)은, 선풍기, 홈씨어터, 멀티탭, 램프받침, 인모 등의 클래스는 상위 개념으로 위험 장애물 슈퍼-클래스(Super-class)로 분류하고 구분하여 인식할 수 있다.
또한, 장애물인식모듈(144)은, 둔턱 등의 직진 주행 가능한 장애물을 비위험 장애물 슈퍼-클래스(Super-class)로 분류하고 구분하여 인식할 수 있다.
도 26의 (a)를 참조하면, 장애물인식모듈(144)은, 입력된 영상을 인식하여, 선풍기는 0.95의 신뢰값(confidence), 홈씨어터는 0.7의 신뢰값을 가지는 인식 결과를 얻을 수 있다. 이 경우에, 장애물인식모듈(144)은, 더 높은 신뢰값을 가지는 인식 결과인 선풍기를 입력 영상에 대한 인식 결과로 출력할 수 있다.
한편, 신뢰값(confidence)은 0.0 내지 1.0의 범위로 정규화될 수 있다.
도 26의 (b)를 참조하면, 장애물인식모듈(144)은, 입력된 영상을 인식하여, 선풍기는 0.35의 신뢰값, 홈씨어터는 0.4의 신뢰값을 가지는 인식 결과를 얻을 수 있다.
예를 들어, 0.6 이하의 신뢰값은 인정하지 않도록 설정된 경우, 장애물인식모듈(144)은, 두 인식 결과의 신뢰값들이 모두 기준치보다 낮으므로 특정 인식 결과를 선택하지 않고, unknown data로 판정할 수 있다.
도 26의 (c)를 참조하면, 장애물인식모듈(144)은, 입력된 영상을 인식하여, 선풍기는 0.95의 신뢰값, 홈씨어터는 0.9의 신뢰값을 가지는 인식 결과를 얻을 수 있다.
예를 들어, 0.9 이상의 신뢰값을 가지는 인식 결과를 최종 인식 결과로 선택하도록 설정된 경우에, 장애물인식모듈(144)은, 두 인식 결과의 신뢰값들이 모두 기준치보다 높으므로 특정 인식 결과를 선택하지 않고, 상위 개념인 위험 장애물로 판정할 수 있다.
또는, 신뢰값의 차이가 0.15 이상인 경우에 가장 높은 신뢰값의 인식 결과를 인정하도록 설정된 경우에도, 상위 개념인 위험 장애물로 판정할 수 있다.
한편, 위험 장애물로 판단한 경우에도, 주행제어모듈(141)은 위험 장애물을 회피하여 이동하도록 구동부(160)를 제어할 수 있다.
도 27은 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도이다.
도 27을 참조하면, 먼저, 이동 로봇(100, 100a, 100b)은 명령 또는 설정에 따라서 이동하며 청소를 수행할 수 있다(S2710).
한편, 영상획득부(120)는, 이동 중 본체(110) 주변을 연속적으로 촬영하여 복수의 영상을 획득할 수 있다(S2720). 상기 영상획득부(120)가 획득하는 연속된 복수의 영상은 저장부(150)에 저장될 수 있다.
이동 중에 센서부(170)를 통하여 장애물이 감지되면(S2730), 제어부(140)는 상기 본체(110)의 이동 방향과 이동 속도에 기초하여, 상기 연속된 복수의 영상 중 상기 센서부(170)의 장애물 감지 시점 이전의 특정 시점 영상을 선택할 수 있다(S2740).
상기 이동 방향과 이동 속도는 센싱부(170)의 동작 감지 센서의 출력에 기초하여 주행제어모듈(141) 등에서 산출될 수 있다.
한편, 이동 로봇이 통상적인 주행시에는 기준 속도로 주행하도록 설정되는 경우에는, 상기 이동 속도가 일정하므로, 상기 본체(110)의 이동 방향을 판별하여, 특정 시점의 영상을 선택할 수 있다.
한편, 제어부(140)는, 상기 이동 방향이 직진 주행이거나 소정 기준치(기준각도) 미만의 회전 주행이 경우에, 상기 연속된 복수의 영상 중 상기 센서부(170)의 장애물 감지 시점 이전의 특정 시점 영상을 선택할 수 있다.
통상적으로 초음파 센서 등의 센서의 감지 레인지(range)보다 카메라의 촬영 레인지(range)가 더 크다.
따라서, 상기 센서부(170)가 장애물을 감지하는 것을 신호로 영상을 획득하는 경우에, 이동 로봇은 주행을 계속하고 있으므로, 획득영상이 장애물의 특성을 포함하지 못할 수 있다. 또한, 상기 센서부(170)의 감지 레인지(range)가 짧은 경우에는 획득영상이 장애물의 특성을 포함하지 못하는 경우가 더 높은 확률로 발생할 수 있다.
따라서, 제어부(140)는, 직진 주행 또는 직진 주행에 가까운 주행시, 이동 방향과 속도를 반영하여, 상기 센서부(170)의 장애물 감지 시점 이전의 특정 시점 영상을 선택할 수 있다.
이 경우에, 상기 제어부(140)는, 상기 이동의 속도가 느릴수록 상기 센서부(170)의 장애물 감지 시점을 기준으로 더 과거 시점의 영상을 선택할 수 있다.
이동 속도가 빠를수록 이동 로봇(100)은 상기 센서부(170)의 장애물 감지 시점 이후에 더 긴 거리를 주행하게 된다. 다시 말해서, 영상획득부(120)가 일정한 속도로 복수의 영상을 촬영하여 획득할 때, 특정 프레임의 영상이 촬영되는 시간과 그 다음 프레임의 영상이 촬영되는 시간 사이에 이동 로봇이 더 긴 거리를 주행한다.
따라서, 이동 속도가 빠를수록 상기 센서부(170)의 장애물 감지 시점에 가까운 시점의 영상을 선택하는 것이 영상 내에 장애물이 차지하는 영역이 클 확률이 높다.
반대로 이동 속도가 느릴수록 동일 거리를 주행하는 동안에 영상획득부(120)가 더 많은 영상을 획득하게 되므로, 상기 센서부(170)의 장애물 감지 시점을 기준으로 더 과거 시점의 영상을 선택하는 것이 바람직할 수 있다.
장애물인식모듈(144)은 상기 특정 시점 영상을 선택하여 장애물 인식의 입력 데이터로 사용할 수 있다.
한편, 상기 머신 러닝으로 학습된 장애물인식모듈(144)은 그 특성상 학습한 대상이 입력 영상 데이터에서 많은 부분을 차지할수록 인식률이 높다.
따라서, 제어부(140)는, 상기 센서부(170)가 감지하는 장애물의 방향에 대응하여 상기 선택된 특정 시점 영상의 일부 영역을 잘라내어 추출하도록 제어할 수 있다(S2750).
센서부(170)가 감지하는 장애물의 방향에 따라 영상획득부(120)가 획득한 영상 중 다른 영역을 추출하여 인식용 데이터로 사용함으로써, 인식률을 높일 수 있다.
장애물인식모듈(144)은 상기 선택된 특정 시점 영상에서 추출된 일부 영역의 영상에 포함되는 장애물의 속성을 인식할 수 있다(S2760).
장애물인식모듈(144)은, 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 상기 선택된 특정 시점 영상에서 추출된 일부 영역의 영상에 포함되는 장애물의 속성을 인식할 수 있다.
장애물인식모듈(144)은 머신 러닝으로 장애물의 종류 등 속성을 인식하도록 학습된 인공신경망을 포함할 수 있고, 기학습된 데이터에 기초하여 장애물의 속성을 인식할 수 있다(S2760).
예를 들어, 장애물인식모듈(144)에는 딥러닝 구조 중 하나인 CNN(Convolutional Neural Network)이 탑재되고, 기학습된 CNN(Convolutional Neural Network)은 입력 데이터에 포함된 장애물의 속성을 인식하여 그 결과를 출력할 수 있다.
한편, 주행제어모듈(141)은, 상기 인식된 장애물의 속성에 기초하여, 주행부(160)의 구동을 제어할 수 있다(S2770).
예를 들어, 주행제어모듈(141)은 상기 인식된 장애물이 넘을 수 없는 높이의 장애물인 경우에, 장애물을 우회하여 주행하도록 제어할 수 있다.
또한, 주행제어모듈(141)은 낮은 높이의 둔턱과 같이 상기 인식된 장애물이 넘을 수 있는 높이의 장애물인 경우에, 계속해서 직진 주행하도록 제어할 수 있다.
또한, 주행제어모듈(141)은 선풍기의 받침대, 인모, 멀티탭, 전선 등 낮은 높이의 장애물이라도 이동시 구속 가능성이 있는 장애물이 인식되면, 장애물을 우회하여 주행하도록 제어할 수 있다.
도 28은 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법에 관한 설명에 참조되는 도면으로, 장애물(2800)이 이동 로봇(100)의 전면 방향에서 감지되는 경우를 예시한다.
도 28을 참조하면, 이동 로봇(100)이 주행하면서, 영상획득부(120)가 계속해서 촬영하여 복수의 영상을 획득할 수 있다. 이동 로봇(100)은 제1 위치(2810)에서 제1 영상(2811)을 획득하고, 제2 위치(2820)에서 제2 영상(2821)을 획득하고, 제3 위치(2830)에서 제3 영상(2831)을 획득할 수 있다.
저장부(150)에는 소정 개수의 영상이 저장될 수 있다. 또한, 설정된 개수 이상의 영상이 획득되면, 가장 앞선 시점의 영상을 삭제하고, 새로 획득된 영상을 저장할 수 있다.
이동 로봇(100)은, 초음파 신호 감지에 의한 트리거(Trigger) 신호에 따라 영상 인식을 시작할 수 있다.
하지만, 트리거(Trigger) 신호로 사용하는 초음파 센서의 경우 레인지(Range)가 짧기 때문에, 장애물(2800)이 감지되어 트리거(Trigger)될 때 획득된 영상(2831)을 보면 인식 대상의 특징이 사라질 수 있다.
따라서, 본 발명은 저장부(150)에 연속되는 영상들을 저장하고, 진행 방향이 직진 주행인지 판단 후 트리거(Trigger) 시 제3 영상(2831)을 사용하지 않고 제1 영상(2811)을 사용하여 장애물 인식을 수행할 수 있다.
이동 로봇(100)은 일정한 속도로 주행하는 경우가 많기 때문에 직진 주행 여부만을 판단하여 소정 시점의 영상, 예를 들어, 센서부(170)의 장애물 감지 시점보다 2 프레임 앞선 과거 시점의 영상을 선택하여 장애물 인식을 수행할 수 있다.
또한, 제어부(140)는 센서부(170)의 감지 범위, 성능, 장애물 인식 과정의 처리 속도 등도 고려하여, 센서부(170)의 장애물 감지 시점보다 얼마나 앞선 과거 시점의 영상을 선택할 지 결정할 수 있다.
한편, 실시예에 따라서는, 선택된 시점의 영상 전체를 장애물 인식 입력 데이터로 사용하지 않고, 선택된 시점의 영상 중 일부 영역을 추출하여 인식함으로써 인식률을 높일 수 있다.
본 실시예는 단순히 전체 영상의 중심 영역을 기준으로 미리 설정된 크기로 크로핑(cropping)하는 것이 아니라, 장애물이 감지되는 방향에 기초하여, 영상 중 중앙, 좌측, 우측 영역을 추출할 수 있다.
예를 들어, 상기 장애물이 상기 본체 전면의 우측 방향에서 감지되는 경우에, 상기 선택된 특정 시점 영상의 우측하단 영역을 추출하고, 상기 장애물이 상기 본체 전면의 좌측 방향에서 감지되는 경우에, 상기 선택된 특정 시점 영상의 좌측하단 영역을 추출하며, 상기 장애물이 상기 본체 전면 방향에서 감지되는 경우에, 상기 선택된 특정 시점 영상의 중앙(center)하단 영역을 추출할 수 있다.
이에 따라, 인식을 위한 입력 데이터에 장애물이 최대한 많이 포함될 수 있다. 머신은 영상 내 비중이 가장 많은 것을 인식하므로, 장애물의 속성 인식률을 향상시킬 수 있다.
본 실시예에서도, 상술한 장애물 인식 과정을 여러 번 수행하고, 복수 개의 인식 결과에 기초하여 최종 인식 결과를 도출함으로써, 인식 정확도를 더욱 향상할 수 있다.
예를 들어, 제어부(140)는, 감지된 장애물의 위치 정보와 이동 로봇의 위치 정보를 저장부(150)에 저장하며, 상기 감지된 장애물의 위치를 중심으로 소정 크기를 가지는 영역을 맵(map)에 장애물지역으로 등록하도록 제어할 수 있다.
이후, 등록된 장애물지역을 지나갈 때마다 장애물의 속성을 인식하고, 복수개의 인식 결과에 기초하여 최종 장애물 속성을 판별할 수 있다.
제어부(140)는, 소정 장애물지역에서 상기 영상획득부(120)를 통하여 획득되는 영상들에 대해서 순차적으로 장애물의 속성을 인식하고, 상기 순차적으로 인식된 복수의 인식 결과에 기초하여 상기 장애물의 최종 속성을 판별할 수 있다.
도 29는 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도이다.
도 29를 참조하면, 먼저, 이동 로봇(100, 100a, 100b)은 명령 또는 설정에 따라서 이동하며 청소를 수행할 수 있다(S2910).
센서부(170)는 장애물감지센서(131)를 포함하며, 이동 방향 전방의 소정 범위 내의 장애물을 감지할 수 있다(S2920).
이동 중에 센서부(170)를 통하여 장애물이 감지되면(S2920), 상기 감지된 장애물의 위치 정보와 이동 로봇(100, 100a, 100b)의 위치 정보를 저장부(150)에 저장할 수 있다(S2930).
또한, 상기 감지된 장애물의 위치를 중심으로 소정 크기를 가지는 영역을 상기 저장부(150)에 저장되는 맵(map)에 장애물지역으로 등록하여 저장, 관리할 수 있다(S2930).
상기 이동 로봇의 위치 정보는, 오도메트리(odometry) 정보로부터 산출될 수 있고, 상기 오도메트리(odometry) 정보는 상술한 센서부(170)의 동작 감지 센서에서 감지되는 데이터에 기초하여 구성될 수 있다.
한편, 영상획득부(120)는 이동 중 상기 장애물지역에서 복수의 영상을 획득할 수 있다(S2940).
상기 영상획득부(120)는 상기 장애물지역을 등록하고 상기 이동 로봇(100, 100a, 100b)이 상기 장애물지역 외부로 이탈하기 전 상기 장애물지역 내에서 연속적으로 촬영하여 복수의 영상을 획득할 수 있다.
또한, 상기 이동 로봇(100, 100a, 100b)은 상기 감지된 장애물에 대한 회피 주행을 수행하면서 전체 장애물지역에 대한 영상을 획득할 수 있다.
한편, 전체 장애물지역에 대한 탐색을 위해, 일련의 동작으로 상기 장애물지역 내를 주행하면서 장애물지역을 촬영하는 것은, 이동 로봇(100, 100a, 100b)의 주행 경로에 상당한 변화를 가져올 수 있다.
따라서, 이동 로봇(100, 100a, 100b)이 통상적으로 주행하면서, 상기 장애물지역을 통과할 때마다, 상기 장애물지역을 촬영하여, 장애물에 대한 영상들을 획득하는 것이 바람직하다.
예를 들어, 직진, 방향 전환 후 다시 최초 이동 방향의 반대방향으로 장애물이 감지되는 거리까지 이동하는 기본 지그재그 패턴으로 이동 로봇(100, 100a, 100b)이 주행하는 경우를 가정하면, 최초 직진시 장애물지역을 통과하면서 촬영하여 소정 개수의 영상을 획득하고, 반대방향까지 주행한 후 되돌아올 때 다시 장애물지역을 통과하면서 촬영하여 소정 개수의 영상을 획득하는 방식으로 나누어서 복수의 영상들을 획득할 수 있다.
한편, 장애물인식모듈(144)은, 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여, 상기 장애물지역을 이동하면서 상기 영상획득부(120)를 통하여 획득되는 영상들에 대해서 순차적으로 장애물의 속성을 인식할 수 있다(S2950).
장애물인식모듈(144)은 머신 러닝으로 장애물의 종류 등 속성을 인식하도록 학습된 인공신경망을 포함할 수 있고, 기학습된 데이터에 기초하여 장애물의 속성을 인식할 수 있다(S2950).
예를 들어, 장애물인식모듈(144)에는 딥러닝 구조 중 하나인 CNN(Convolutional Neural Network)이 탑재되고, 기학습된 CNN(Convolutional Neural Network)은 입력 데이터에 포함된 장애물의 속성을 인식하여 그 결과를 출력할 수 있다.
장애물인식모듈(144)은 상기 장애물지역에서 획득된 하나의 영상에 대해서 장애물 인식을 수행하고, 다른 영상에 대해서도 장애물 인식을 수행한 후에, 두 영상에 대한 두 인식 결과 중 더 정확한 인식 결과를 선정하고 저장할 수 있다.
한편, 장애물인식모듈(144)은 두 인식 결과에 포함되는 신뢰값(confidence)을 비교하여 인식 결과 중 더 정확한 인식 결과를 선정할 수 있다. 가장 마지막에 수행된 인식 결과를 현재의 장애물 인식 결과로 할 수 있고, 다음 영상에 대한 장애물 인식이 수행되면, 현재의 장애물 인식 결과는 이전의 장애물 인식 결과가 되고, 상기 다음 영상에 대한 장애물 인식 결과가 현재의 장애물 인식 결과가 될 수 있다.
한편, 장애물인식모듈(144)은 상기 영상획득부(120)를 통하여 획득되는 영상들에 대해서 순차적으로 장애물의 속성을 인식할 때(S2950), 현재의 장애물 인식 결과와 이전의 장애물 인식 결과를 비교하는 과정을 반복적으로 수행할 수 있다.
이동 로봇(100, 100a, 100b)이 통상적으로 주행하면서, 상기 장애물지역을 통과할 때마다, 상기 장애물지역을 촬영하여 영상을 획득할 수 있다.
장애물인식모듈(144)은 획득되는 영상들에 대해서 순차적으로 영상 인식 과정을 수행한 후에 이전의 장애물 인식 결과와 비교하여 더 높은 신뢰값을 가지는 인식 결과를 선택할 수 있다.
바람직하게는 장애물인식모듈(144)은 현재의 장애물 인식 결과와 이전의 장애물 인식 결과를 비교하여, 상기 현재의 장애물 인식 결과와 상기 이전의 장애물 인식 결과가 동일하면, 상기 현재의 장애물 인식 결과를 유지하고, 신뢰값(confidence)은 소정 가중치를 반영하여 상향할 수 있다.
즉, 상기 현재의 장애물 인식 결과와 상기 이전의 장애물 인식 결과가 동일하면, 장애물 인식 결과를 변경할 필요가 없으므로, 그 결과는 유지하면서, 인식 결과에 대응하는 신뢰값(confidence)은 소정 가중치를 반영하여 상향할 수 있다.
따라서, 동일한 인식 결과가 나올 때마다 장애물인식모듈(144)은 소정 가중치를 반영하여 신뢰값(confidence)을 높혀 저장하도록 제어할 수 있다.
또한, 장애물인식모듈(144)은, 상기 현재의 장애물 인식 결과와 상기 이전의 장애물 인식 결과가 동일하지 않으면, 상기 현재의 장애물 인식 결과와 상기 이전의 장애물 인식 결과 중 신뢰값이 높은 인식 결과를 상기 새로운 현재 장애물 인식 결과로 등록할 수 있다.
즉, 장애물인식모듈(144)은, 두 인식 결과를 비교하여, 더 신뢰값이 높은 인식 결과를 남겨두고, 이후의 인식 결과와 비교할 수 있다.
한편, 장애물인식모듈(144)은, 상기 순차적으로 인식된 복수의 인식 결과에 기초하여 상기 장애물의 최종 속성을 판별할 수 있다(S2960).
장애물인식모듈(144)은, 순차적으로 장애물을 인식하다가 소정 기준이 만족되면 장애물의 최종 속성을 결정할 수 있다. 즉, 장애물인식모듈(144)은, 소정 기준이 만족되는 순간의 현재 인식 결과를 최종 인식 결과로 출력할 수 있다.
상기 소정 기준이 만족되는 순간 이후에는 더 이상 장애물 인식 과정을 수행하지 않으므로, 상기 소정 기준이 만족되는 순간의 현재 인식 결과는 마지막 현재 인식 결과일 수 있다.
예를 들어, 상기 장애물지역의 모든 영역에 대하여 장애물 인식이 완료되는 순간, 즉, 상기 장애물지역에 대한 인식 커버리지(Coverage)가 100%되는 순간에 마지막 현재 인식 결과를 상기 장애물의 최종 속성으로 판별할 수 있다.
실시예에 따라서는, 상기 인식 커버리지(Coverage)가 90%, 95% 등 소정 기준치에 도달하면, 장애물 인식 과정을 종료하도록 설정될 수 있다.
또는, 상기 장애물인식모듈(144)은, 현재의 장애물 인식 결과와 이전의 장애물 인식 결과를 비교하여, 상기 현재의 장애물 인식 결과와 상기 이전의 장애물 인식 결과가 동일하면, 상기 현재의 장애물 인식 결과를 유지하고, 신뢰값(confidence)은 상기 현재의 장애물 인식 결과의 신뢰값과 상기 이전의 장애물 인식 결과의 신뢰값의 평균값으로 변경할 수 있다.
본 실시예는 상기 현재의 장애물 인식 결과와 상기 이전의 장애물 인식 결과가 동일한 경우에, 동일한 인식 결과에 대한 신뢰값을 두 인식 결과의 기존 신뢰값들의 평균값으로 결정하는 것이다.
본 실시예에서도, 상기 장애물인식모듈(144)은, 상기 현재의 장애물 인식 결과와 상기 이전의 장애물 인식 결과가 동일하지 않으면, 상기 현재의 장애물 인식 결과와 상기 이전의 장애물 인식 결과 중 신뢰값이 높은 인식 결과를 상기 새로운 현재 장애물 인식 결과로 등록하도록 제어할 수 있다.
한편, 주행제어모듈(141)은, 상기 인식된 장애물의 최종 속성에 기초하여, 주행부(160)의 구동을 제어할 수 있다(S2980).
예를 들어, 주행제어모듈(141)은 상기 인식된 장애물이 넘을 수 없는 높이의 장애물인 경우에, 장애물을 우회하여 주행하도록 제어할 수 있다.
또한, 주행제어모듈(141)은 낮은 높이의 둔턱과 같이 상기 인식된 장애물이 넘을 수 있는 높이의 장애물인 경우에, 계속해서 직진 주행하도록 제어할 수 있다.
또한, 주행제어모듈(141)은 선풍기의 받침대, 인모, 멀티탭, 전선 등 낮은 높이의 장애물이라도 이동시 구속 가능성이 있는 장애물이 인식되면, 장애물을 우회하여 주행하도록 제어할 수 있다.
한편, 상기 장애물인식모듈(144)은, 상기 판별된 장애물의 최종 속성에 따라, 해당 장애물을 위험 장애물 또는 비위험 장애물로 상기 맵에 등록하여 관리할 수 있다(S2970).
예를 들어, 상기 장애물인식모듈(144)은, 상기 인식된 장애물이 넘을 수 없는 높이의 장애물이거나 풍기의 받침대, 인모, 멀티탭, 전선 등 낮은 높이의 장애물이라도 이동시 구속 가능성이 있는 장애물인 경우에, 인식된 장애물을 위험 장애물로 맵에 등록할 수 있다.
또한, 직진으로 주행해도 넘을 수 있는 둔턱과 같은 장애물은 비위험 장애물로 맵에 등록할 수 있다.
이후에, 이동 로봇(100)은, 맵에 등록된 위험 장애물, 비위험 장애물 정보에 기초하여, 비위험 장애물은 회피하도록 주행할 수 있다.
도 30 내지 도 34는 본 발명의 실시예에 따른 이동 로봇의 제어 방법에 관한 설명에 참조되는 도면이다.
도 30을 참조하면, 이동 로봇(100)은 주행하면서 장애물(3001)을 감지할 수 있다. 이동 로봇(100)이 장애물(3001)을 감지하면, 인식된 장애물 주변을 포함하도록 장애물지역을 설정 등록할 수 있다.
도 30을 참조하면, 장애물인식모듈(144)은 전체 영역(3000) 중 장애물(3001)을 중심으로 소정 크기(aXb)를 가지는 장애물지역(3010)을 저장부(150)에 저장되는 맵 상에 등록하도록 제어할 수 있다.
예를 들어, 장애물지역(3010)은 장애물(3001)을 중심으로 전후 각 50cm, 좌우 각 50m 로 하여 총 1m x 1m 의 크기의 사각형 형태로 설정될 수 있다.
한편, 장애물인식모듈(144)은 상기 장애물지역(3010)의 등록과 함께 장애물(3001)을 인식할 당시의 이동 로봇(100)의 위치 정보를 저장하도록 제어할 수 있다. 한편, 상기 이동 로봇(100)의 위치 정보는 오도메트리(Odometry) 정보에 기초한 정보일 수 있다.
예를 들어, 상기 장애물인식모듈(144)은 아래와 같은 저장 포맷으로 장애물의 위치와 이동 로봇의 위치 정보를 저장하도록 제어할 수 있다.
저장 포맷 : (Op, Rp),
Op(X,Y) = 장애물(Object) 위치(Position),
Rp(X,Y) = 로봇(Robot) 위치(Position)
한편, 영상획득부(120)는 이동 중 상기 장애물지역(3010)에서 복수의 영상을 획득할 수 있다.
상기 영상획득부(120)는 상기 이동 로봇(100)이 상기 장애물지역(3010) 외부로 이탈하기 전 상기 장애물지역(3010) 내에서 연속적으로 촬영하여 복수의 영상을 획득할 수 있다.
도 31은 두 차례의 촬영으로 상기 장애물지역(3010)의 소정 영역이 인식되었음을 나타낸 것이다. 도 31에서 도시된 원(3110, 3120)은 각각 인식 커버리지를 나타낸 것으로, 그 크기와 형태는 영상획득부(120)의 구성과 성능에 따라 달라질 수 있다.
한편, 상기 이동 로봇(100)은 상기 장애물지역(3010)의 다른 위치에서 상기 장애물(3001)을 촬영할 수 있다.
본 발명에 따르면, 상기 장애물지역(3010)을 이동하면서 다양한 위치에서 상기 장애물(3001)을 촬영한 영상을 획득하고, 획득한 영상 각각에 대해서 장애물 인식 과정을 수행함으로써, 장애물 인식의 정확성을 향상시킬 수 있다.
한편, 장애물인식모듈(144)은 상기 장애물지역(3010)의 내부 영역을 격자 모양으로 가로, 세로로 각각 일정한 간격으로 구분하여 관리할 수 있다.
도 32는 4X4의 격자 형태로 구성되는 장애물지역(3200)을 예시한다.
장애물인식모듈(144)은 장애물지역(3200) 내의 영상이 촬영되어 장애물이 인식된 영역을 구분하여 저장할 수 있다.
예를 들어, 도 32의 (a)와 같이, 인식된 소정 영역(3210)의 값을 변경하여 전체 장애물지역(3200)에서 인식된 영역과 인식되지 않은 영역을 구분할 수 있고, 전체 장애물지역(3200)에서 어느 정도까지 인식 완료되었는지 판별할 수 있다.
한편, 이동 로봇(100)의 주행 및 장애물 인식에 따라, 도 32의 (b)와 같이, 인식된 영역(3210, 3220, 3230, 3240)이 증가할 수 있다.
또한, 도 32의 (c)와 같이, 인식 커버리지가 100%가 되면, 즉, 전체 장애물지역(3200)에서의 장애물 인식이 완료되면, 장애물 인식 과정이 종료될 수 있다.
또는, 설정에 따라서, 인식 커버리지가 90%, 95%가 되면, 장애물 인식 과정이 종료될 수 있다.
도 33과 도 34는 본 발명의 실시예에 따른 동일한 장애물에 대한 순차적인 장애물 인식 과정 중 일부를 예시한다.
도 33과 도 34를 참조하면, 먼저 장애물인식모듈(144)은 이동 로봇이 제1 위치(Rp1)에서 획득한 영상을 인식하여 장애물을 선풍기로 인식할 수 있다. 예를 들어, 선풍기로 인식한 현 인식 결과의 신뢰값은 0.8일 수 있다.
한편, 상기 인식 결과는 최초의 인식 결과이므로, 비교 대상이 없어 현재 인식 결과에 대응하는 등록 결과도 선풍기가 될 수 있다.
한편, 두번째로 이동 로봇이 제2 위치(Rp2)에서 획득한 영상에 기초하여 장애물인식모듈(144)은 신뢰값 0.7을 가지는 선풍기로 판정한 인식 결과를 얻을 수 있다.
장애물인식모듈(144)은 첫번째 인식 결과와 두번째 인식 결과가 동일하므로 현재 인식 결과에 대응하는 등록 결과로 선풍기를 유지할 수 있다.
이 경우에 현재 인식 결과에 대응하는 신뢰값은 두 인식 결과의 신뢰값 중 하나를 그대로 사용할 수 있다.
또는 도 33과 같이 현재 인식 결과에 대응하는 신뢰값으로 첫번째 인식 결과와 두번째 인식 결과의 신뢰값을 평균한 평균값 0.75를 사용할 수 있다.
더욱 바람직하게는, 첫번째 인식 결과와 두번째 인식 결과가 동일한 선풍기 인식 결과를 얻었으므로, 도 25와 같이 소정 가중치를 반영하여 상향한 0.835의 신뢰값을 현재 인식 결과에 대응하는 신뢰값으로 사용할 수 있다.
도 33과 도 34를 참조하면, 장애물인식모듈(144)은 세번째로 이동 로봇이 제3 위치(Rp3)에서 획득한 영상에 기초하여 장애물인식모듈(144)은 신뢰값 0.7을 가지는 램프 받침으로 판정한 인식 결과를 얻을 수 있다.
도 33과 도 34를 참조하면, 장애물인식모듈(144)은 세번째 인식 결과를 이전의 인식 결과와 비교할 수 있다.
세번째 인식 결과의 신뢰값은 0.7로 이전의 인식 결과 0.75 또는 0.835보다 낮으므로, 장애물인식모듈(144)은 더 높은 신뢰값을 가지는 선풍기를 현재 인식 결과에 대응하는 등록 결과로 선택할 수 있다.
본 발명의 실시 예들 중 적어도 하나에 의하면, 이동 로봇이, 장애물의 속성을 판단하고, 장애물 속성에 따라 주행 패턴을 조정할 수 있어, 신뢰성 높은 장애물 인식 및 회피 동작을 수행할 수 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 장애물의 인식 결과에 따라 전진, 후퇴, 정지, 우회 등의 동작을 수행함으로써 이동 로봇 자체의 안정성 및 사용자의 편의성을 제고하고, 운전 효율, 청소 효율을 향상시킬 수 있는 이동 로봇 및 그 제어방법을 제공할 수 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 머신 러닝에 기반하여 장애물의 속성을 정확하게 인식할 수 있는 이동 로봇 및 그 제어방법을 제공할 수 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 이동 로봇이, 효율적으로 머신 러닝을 수행할 수 있고, 장애물 속성 인식에 사용할 수 있는 데이터를 추출할 수 있다.
본 발명에 따른 이동 로봇은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
한편, 본 발명의 실시예에 따른 이동 로봇의 제어 방법은, 프로세서가 읽을 수 있는 기록매체에 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 프로세서가 읽을 수 있는 기록매체는 프로세서에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 프로세서가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한, 인터넷을 통한 전송 등과 같은 캐리어 웨이브의 형태로 구현되는 것도 포함한다. 또한, 프로세서가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 프로세서가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims (20)

  1. 본체를 이동시키는 주행부;
    상기 본체 주변의 영상을 획득하는 영상획득부;
    상기 영상획득부가 획득하는 영상을 저장하는 저장부;
    상기 이동 중 장애물을 감지하는 하나 이상의 센서를 포함하는 센서부; 및
    상기 센서부가 감지하는 장애물의 방향에 대응하여 상기 영상획득부가 획득하는 영상의 일부 영역을 추출하도록 제어하는 제어부;를 포함하는 이동 로봇.
  2. 제1항에 있어서,
    상기 제어부는,
    상기 추출된 영상에서 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 장애물을 인식하는 장애물인식모듈과
    상기 인식된 장애물의 속성에 기초하여, 상기 주행부의 구동을 제어하는 주행제어모듈을 포함하는 이동 로봇.
  3. 제2항에 있어서,
    상기 제어부는,
    상기 센서부가 감지하는 장애물의 방향에 대응하여 상기 영상획득부가 획득하는 영상의 일부 영역을 추출하는 영상처리모듈을 더 포함하는 것을 특징으로 하는 이동 로봇.
  4. 제2항에 있어서,
    상기 추출된 영상을 소정 서버로 전송하고, 상기 소정 서버로부터 머신 러닝과 관련된 데이터를 수신하는 통신부;를 더 포함하는 것을 특징으로 하는 이동 로봇.
  5. 제4항에 있어서,
    상기 소정 서버로부터 수신된 머신 러닝과 관련된 데이터에 기초하여 상기 장애물인식모듈을 업데이트(update)하는 것을 특징으로 하는 이동 로봇.
  6. 제1항에 있어서,
    상기 센서부가 감지하는 장애물의 방향에 대응하여 상기 영상획득부가 획득하는 영상의 일부 영역을 추출하는 영상처리부;를 더 포함하는 것을 특징으로 하는 이동 로봇.
  7. 제1항에 있어서,
    상기 제어부는,
    상기 장애물이 상기 본체 전면의 우측 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 우측하단 영역을 추출하고,
    상기 장애물이 상기 본체 전면의 좌측 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 좌측하단 영역을 추출하며,
    상기 장애물이 상기 본체 전면 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 중앙(center)하단 영역을 추출하도록 제어하는 것을 특징으로 하는 이동 로봇.
  8. 제1항에 있어서,
    상기 센서부는,
    상기 본체의 전면에 배치되는 제1 센서;
    상기 제1 센서로부터 좌, 우로 이격되도록 배치되는 제2 센서 및 제3 센서;를 포함하는 이동 로봇.
  9. 제8항에 있어서,
    상기 제어부는,
    상기 영상획득부가 획득하는 영상에서의 추출 대상 영역을, 상기 감지되는 장애물과 상기 제2 센서 사이의 거리와 상기 감지되는 장애물과 상기 제3 센서 사이의 거리 차이에 비례하도록 이동(shift)시켜 추출하도록 제어하는 것을 특징으로 하는 이동 로봇.
  10. 제1항에 있어서,
    상기 저장부에는, 상기 영상획득부가 획득하는 연속된 복수의 영상이 저장되고,
    상기 제어부는, 상기 센서부가 장애물을 감지하면, 상기 본체의 이동 방향과 이동 속도에 기초하여, 상기 연속된 복수의 영상 중 상기 센서부의 장애물 감지 시점 이전의 특정 시점 영상의 일부 영역을 추출하는 것을 특징으로 하는 이동 로봇.
  11. 제10항에 있어서,
    상기 제어부는,
    상기 이동 속도가 느릴수록 상기 센서부의 장애물 감지 시점을 기준으로 더 과거 시점의 영상에서 일부 영역을 추출하는 것을 특징으로 하는 이동 로봇.
  12. 제1항에 있어서,
    상기 제어부는,
    상기 감지된 장애물의 위치 정보와 이동 로봇의 위치 정보를 상기 저장부에 저장하며, 상기 감지된 장애물의 위치를 중심으로 소정 크기를 가지는 영역을 맵(map)에 장애물지역으로 등록하도록 제어하는 것을 특징으로 하는 이동 로봇.
  13. 제12항에 있어서,
    상기 제어부는,
    소정 장애물지역에서 상기 영상획득부를 통하여 획득되는 영상들에 대해서 순차적으로 장애물의 속성을 인식하고, 상기 순차적으로 인식된 복수의 인식 결과에 기초하여 상기 장애물의 최종 속성을 판별하는 것을 특징으로 하는 이동 로봇.
  14. 센서부를 통하여, 이동 중 장애물을 감지하는 단계;
    상기 센서부가 감지하는 장애물의 방향에 대응하여 영상획득부가 획득하는 영상의 일부 영역을 추출하는 단계;
    상기 추출된 영상에서 장애물을 인식하는 단계; 및,
    상기 인식된 장애물의 속성에 기초하여, 주행부의 구동을 제어하는 단계;를 포함하는 이동 로봇의 제어방법.
  15. 제14항에 있어서,
    상기 장애물 인식 단계는, 상기 추출된 영상에서 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 상기 장애물의 속성을 인식하는 것을 특징으로 하는 이동 로봇의 제어방법.
  16. 제14항에 있어서,
    상기 영상획득부가 획득하는 영상에서 일부 영역을 추출하는 단계는,
    상기 장애물이 상기 본체 전면의 우측 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 우측하단 영역을 추출하고,
    상기 장애물이 상기 본체 전면의 좌측 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 좌측하단 영역을 추출하며,
    상기 장애물이 상기 본체 전면 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 중앙(center)하단 영역을 추출하는 것을 특징으로 하는 이동 로봇의 제어방법.
  17. 제14항에 있어서,
    상기 추출된 영상을 저장하는 단계;를 더 포함하는 이동 로봇의 제어방법.
  18. 제14항에 있어서,
    상기 구동 제어 단계는,
    상기 감지된 장애물이 진행해도 되는 장애물이 아닌 경우에, 회피 동작을 수행하도록 제어하는 것을 특징으로 하는 이동 로봇의 제어방법.
  19. 제14항에 있어서,
    상기 일부 영역을 추출하는 단계는, 본체의 이동 방향과 이동 속도에 기초하여, 저장부에 복수의 영상 중 상기 센서부의 장애물 감지 시점 이전의 특정 시점 영상의 일부 영역을 추출하는 것을 특징으로 하는 이동 로봇의 제어 방법.
  20. 제14항에 있어서,
    상기 센서부가 장애물을 감지하면, 상기 감지된 장애물의 위치 정보와 이동 로봇의 위치 정보를 저장하며, 상기 감지된 장애물의 위치를 중심으로 소정 크기를 가지는 영역을 맵(map)에 장애물지역으로 등록하는 단계;
    상기 장애물지역을 이동하면서 상기 영상획득부를 통하여 획득되는 영상들에 대해서 순차적으로 장애물의 속성을 인식하는 단계;
    상기 순차적으로 인식된 복수의 인식 결과에 기초하여 상기 장애물의 최종 속성을 판별하는 단계;를 더 포함하는 이동 로봇의 제어 방법.
PCT/KR2017/009257 2016-08-25 2017-08-24 이동 로봇 및 그 제어방법 WO2018038551A1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
US16/327,452 US20190179333A1 (en) 2016-08-25 2017-08-24 Mobile robot and control method for controlling the same
JP2019510881A JP6861797B2 (ja) 2016-08-25 2017-08-24 移動ロボット及びその制御方法
AU2017316089A AU2017316089B2 (en) 2016-08-25 2017-08-24 Mobile robot and control method therefor
EP17843971.7A EP3505310B1 (en) 2016-08-25 2017-08-24 Mobile robot and control method therefor
CN201780066252.6A CN109890575B (zh) 2016-08-25 2017-08-24 移动机器人及其控制方法

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
KR1020160108384A KR102548936B1 (ko) 2016-08-25 2016-08-25 인공지능 이동 로봇 및 그 제어방법
KR10-2016-0108385 2016-08-25
KR1020160108385A KR20180023302A (ko) 2016-08-25 2016-08-25 이동 로봇 및 그 제어방법
KR10-2016-0108384 2016-08-25
KR10-2016-0108386 2016-08-25
KR1020160108386A KR20180023303A (ko) 2016-08-25 2016-08-25 이동 로봇 및 그 제어방법

Publications (1)

Publication Number Publication Date
WO2018038551A1 true WO2018038551A1 (ko) 2018-03-01

Family

ID=61245133

Family Applications (3)

Application Number Title Priority Date Filing Date
PCT/KR2017/009258 WO2018038552A1 (ko) 2016-08-25 2017-08-24 이동 로봇 및 그 제어방법
PCT/KR2017/009257 WO2018038551A1 (ko) 2016-08-25 2017-08-24 이동 로봇 및 그 제어방법
PCT/KR2017/009260 WO2018038553A1 (ko) 2016-08-25 2017-08-24 이동 로봇 및 그 제어방법

Family Applications Before (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/009258 WO2018038552A1 (ko) 2016-08-25 2017-08-24 이동 로봇 및 그 제어방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/009260 WO2018038553A1 (ko) 2016-08-25 2017-08-24 이동 로봇 및 그 제어방법

Country Status (6)

Country Link
US (3) US11199852B2 (ko)
EP (3) EP3505310B1 (ko)
JP (3) JP6785950B2 (ko)
CN (3) CN109890575B (ko)
AU (3) AU2017316091B2 (ko)
WO (3) WO2018038552A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108968811A (zh) * 2018-06-20 2018-12-11 四川斐讯信息技术有限公司 一种扫地机器人的物体识别方法及系统
CN110470296A (zh) * 2018-05-11 2019-11-19 珠海格力电器股份有限公司 一种定位方法、定位机器人及计算机存储介质
KR20190134872A (ko) * 2018-04-30 2019-12-05 엘지전자 주식회사 인공지능 청소기 및 그 제어방법
KR20200092857A (ko) * 2019-01-25 2020-08-04 주식회사 베어로보틱스코리아 로봇의 이동 경로를 결정하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
CN112020411A (zh) * 2018-04-25 2020-12-01 三星电子株式会社 用于向用户提供服务的移动机器人装置和方法

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109890575B (zh) * 2016-08-25 2023-02-21 Lg电子株式会社 移动机器人及其控制方法
USD907084S1 (en) * 2017-12-14 2021-01-05 The Hi-Tech Robotic Systemz Ltd Mobile robot
USD906390S1 (en) * 2017-12-14 2020-12-29 The Hi-Tech Robotic Systemz Ltd Mobile robot
USD896858S1 (en) * 2017-12-14 2020-09-22 The Hi-Tech Robotic Systemz Ltd Mobile robot
USD879851S1 (en) * 2017-12-29 2020-03-31 Beijing Geekplus Technology Co., Ltd. Robot
USD879852S1 (en) * 2018-03-15 2020-03-31 Beijing Geekplus Technology Co., Ltd. Mobile robot
JP7194914B2 (ja) * 2018-03-29 2022-12-23 パナソニックＩｐマネジメント株式会社 自律移動掃除機、自律移動掃除機による掃除方法、及び自律移動掃除機用プログラム
WO2019210198A1 (en) * 2018-04-26 2019-10-31 Maidbot, Inc. Automated robot alert system
US20190332114A1 (en) * 2018-04-26 2019-10-31 Maidbot, Inc. Robot Contextualization of Map Regions
WO2019212239A1 (en) * 2018-05-04 2019-11-07 Lg Electronics Inc. A plurality of robot cleaner and a controlling method for the same
WO2019224162A1 (en) * 2018-05-22 2019-11-28 Starship Technologies Oü Method and system for analyzing robot surroundings
US10885395B2 (en) * 2018-06-17 2021-01-05 Pensa Systems Method for scaling fine-grained object recognition of consumer packaged goods
USD911406S1 (en) * 2018-08-17 2021-02-23 Grey Orange Pte. Ltd Robot for moving articles within a facility
KR20200036678A (ko) * 2018-09-20 2020-04-07 삼성전자주식회사 청소 로봇 및 그의 태스크 수행 방법
CN114424916A (zh) * 2018-11-01 2022-05-03 北京石头创新科技有限公司 清洁模式选择方法，智能清洁设备，计算机存储介质
RU2709523C1 (ru) * 2019-02-19 2019-12-18 Общество с ограниченной ответственностью "ПРОМОБОТ" Система определения препятствий движению робота
CN109760060B (zh) * 2019-03-02 2021-06-08 安徽理工大学 一种多自由度机器人智能避障方法及其系统
KR20200115696A (ko) * 2019-03-07 2020-10-08 삼성전자주식회사 전자 장치 및 그 제어 방법
TWI683197B (zh) * 2019-03-19 2020-01-21 東元電機股份有限公司 移動平台圖資校正系統
DE102019109596A1 (de) * 2019-04-11 2020-10-15 Vorwerk & Co. Interholding Gmbh System aus einem manuell geführten Bodenbearbeitungsgerät, einem ausschließlich automatisch betriebenen Bodenbearbeitungsgerät und einer Recheneinrichtung
CN110315553B (zh) * 2019-06-23 2023-10-27 大国重器自动化设备(山东)股份有限公司 一种餐厅用机器人防碰撞系统及方法
CN112149458A (zh) * 2019-06-27 2020-12-29 商汤集团有限公司 障碍物检测方法、智能驾驶控制方法、装置、介质及设备
CN110315537A (zh) * 2019-06-27 2019-10-11 深圳乐动机器人有限公司 一种控制机器人运动的方法、装置及机器人
WO2021006622A1 (en) * 2019-07-09 2021-01-14 Samsung Electronics Co., Ltd. Electronic apparatus and controlling method thereof
US11650597B2 (en) 2019-07-09 2023-05-16 Samsung Electronics Co., Ltd. Electronic apparatus for identifying object through warped image and control method thereof
CN110353583A (zh) * 2019-08-21 2019-10-22 追创科技(苏州)有限公司 扫地机器人及扫地机器人的自动控制方法
US11426885B1 (en) * 2019-08-27 2022-08-30 X Development Llc Robot docking station identification surface
KR20210028426A (ko) 2019-09-04 2021-03-12 엘지전자 주식회사 로봇 청소기 및 그 제어방법
CN110543436B (zh) * 2019-09-06 2021-09-24 北京云迹科技有限公司 一种机器人的数据获取方法及装置
KR20210039232A (ko) * 2019-10-01 2021-04-09 엘지전자 주식회사 로봇 청소기 및 청소 경로를 결정하기 위한 방법
US20220345919A1 (en) * 2019-10-01 2022-10-27 Nippon Telegraph And Telephone Corporation Communication terminal and communication quality prediction method
KR20210057582A (ko) * 2019-11-12 2021-05-21 삼성전자주식회사 잘못 흡입된 객체를 식별하는 로봇 청소기 및 그 제어 방법
CN110861089B (zh) * 2019-11-29 2020-11-06 北京理工大学 一种多机器人系统任务均衡分配协同工作控制方法
CN111538329B (zh) * 2020-04-09 2023-02-28 北京石头创新科技有限公司 一种图像查看方法、终端及清洁机
CN111715559A (zh) * 2020-06-22 2020-09-29 柴诚芃 一种基于机器视觉的垃圾分拣系统
CN112077840B (zh) * 2020-08-08 2022-02-15 浙江科聪控制技术有限公司 一种防爆巡检机器人的避障方法及应用于该方法的机器人
CN112380942B (zh) * 2020-11-06 2024-08-06 北京石头创新科技有限公司 一种识别障碍物的方法、装置、介质和电子设备
KR102361338B1 (ko) * 2020-11-27 2022-02-15 (주)엘이디소프트 자율주행이 가능한 실내 uv 살균장치
USD967883S1 (en) * 2021-01-06 2022-10-25 Grey Orange International Inc. Robot for handling goods in a facility
KR20220111526A (ko) * 2021-02-02 2022-08-09 자이메드 주식회사 실시간 생체 이미지 인식 방법 및 장치
CN112971616B (zh) * 2021-02-07 2022-12-30 美智纵横科技有限责任公司 一种充电座规避方法、装置、扫地机器人及存储介质
WO2023003158A1 (ko) * 2021-07-20 2023-01-26 삼성전자주식회사 로봇 및 그 제어 방법
CN113721603B (zh) * 2021-07-29 2023-08-08 云鲸智能(深圳)有限公司 基站探索方法、装置、机器人及可读存储介质
CN113827152B (zh) * 2021-08-30 2023-02-17 北京盈迪曼德科技有限公司 区域状态确定方法、装置及机器人
CN114670244B (zh) * 2022-03-29 2023-10-20 中国铁建重工集团股份有限公司 一种结构制造方法及装置
CN116038716B (zh) * 2023-03-14 2023-07-18 煤炭科学研究总院有限公司 机器人的控制方法和机器人的控制模型的训练方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100811886B1 (ko) * 2006-09-28 2008-03-10 한국전자통신연구원 장애물 회피 진행이 가능한 자율이동로봇 및 그 방법
KR20140006110A (ko) * 2011-06-15 2014-01-15 도레이 카부시키가이샤 복합 섬유
KR20140031742A (ko) * 2012-09-05 2014-03-13 삼성전기주식회사 이미지 특징 추출 장치 및 이미지 특징 추출 방법, 그를 이용한 영상 처리 시스템
US20150336274A1 (en) * 2014-05-20 2015-11-26 International Business Machines Corporation Information Technology Asset Type Identification Using a Mobile Vision-Enabled Robot
KR20150142475A (ko) * 2014-06-12 2015-12-22 연세대학교 산학협력단 장애물 식별 장치 및 방법

Family Cites Families (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5314037A (en) * 1993-01-22 1994-05-24 Shaw David C H Automobile collision avoidance system
JPH1132253A (ja) * 1997-07-08 1999-02-02 Hitachi Ltd 画像処理装置
JP3529049B2 (ja) * 2002-03-06 2004-05-24 ソニー株式会社 学習装置及び学習方法並びにロボット装置
EP1486300B1 (en) * 2002-03-15 2011-08-17 Sony Corporation Robot behavior control system, behavior control method, and robot device
WO2004018159A1 (ja) * 2002-08-26 2004-03-04 Sony Corporation 環境同定装置及び環境同定方法、並びにロボット装置
US7689321B2 (en) * 2004-02-13 2010-03-30 Evolution Robotics, Inc. Robust sensor fusion for mapping and localization in a simultaneous localization and mapping (SLAM) system
KR100671897B1 (ko) * 2005-04-04 2007-01-24 주식회사 대우일렉트로닉스 스위치형 센서가 구비된 로봇 청소기
KR100669892B1 (ko) 2005-05-11 2007-01-19 엘지전자 주식회사 장애물 회피 기능을 갖는 이동로봇과 그 방법
JP2007011857A (ja) * 2005-07-01 2007-01-18 Toyota Motor Corp 自律移動型ロボット及び自律移動型ロボットの制御方法
JP2008172441A (ja) * 2007-01-10 2008-07-24 Omron Corp 検出装置および方法、並びに、プログラム
KR100877072B1 (ko) * 2007-06-28 2009-01-07 삼성전자주식회사 이동 로봇을 위한 맵 생성 및 청소를 동시에 수행하는 방법및 장치
KR100902929B1 (ko) * 2007-07-18 2009-06-15 엘지전자 주식회사 이동 로봇 및 그 제어방법
CN101271525B (zh) * 2008-04-10 2011-05-04 复旦大学 一种快速的图像序列特征显著图获取方法
KR20090112984A (ko) * 2008-04-25 2009-10-29 포항공과대학교 산학협력단 장애물 감지 센서를 구비한 이동로봇
KR100997656B1 (ko) * 2008-06-18 2010-12-01 한양대학교 산학협력단 로봇의 장애물 검출방법 및 그 장치
KR101495333B1 (ko) * 2008-07-02 2015-02-25 삼성전자 주식회사 장애물 검출 장치 및 방법
JP5106356B2 (ja) * 2008-11-17 2012-12-26 セコム株式会社 画像監視装置
KR101524020B1 (ko) * 2009-03-06 2015-05-29 엘지전자 주식회사 로봇 청소기의 점진적 지도 작성 및 위치 보정 방법
TWI388956B (zh) * 2009-05-20 2013-03-11 Univ Nat Taiwan Science Tech 行動機器人與其目標物處理路徑的規劃方法
US9014848B2 (en) * 2010-05-20 2015-04-21 Irobot Corporation Mobile robot system
KR101271315B1 (ko) * 2011-03-28 2013-06-04 고려대학교 산학협력단 이동 로봇의 장애물 회피 시스템
US8447863B1 (en) * 2011-05-06 2013-05-21 Google Inc. Systems and methods for object recognition
US9582000B2 (en) * 2011-09-07 2017-02-28 Lg Electronics Inc. Robot cleaner, and system and method for remotely controlling the same
US8311973B1 (en) * 2011-09-24 2012-11-13 Zadeh Lotfi A Methods and systems for applications for Z-numbers
KR101303161B1 (ko) 2011-10-18 2013-09-09 엘지전자 주식회사 이동 로봇 및 이의 제어 방법
US8396254B1 (en) * 2012-02-09 2013-03-12 Google Inc. Methods and systems for estimating a location of a robot
KR101949277B1 (ko) * 2012-06-18 2019-04-25 엘지전자 주식회사 이동 로봇
KR101490170B1 (ko) * 2013-03-05 2015-02-05 엘지전자 주식회사 로봇 청소기
KR101450569B1 (ko) * 2013-03-05 2014-10-14 엘지전자 주식회사 로봇 청소기
KR101395888B1 (ko) * 2013-03-21 2014-05-27 엘지전자 주식회사 로봇 청소기 및 그 동작방법
US9715761B2 (en) * 2013-07-08 2017-07-25 Vangogh Imaging, Inc. Real-time 3D computer vision processing engine for object recognition, reconstruction, and analysis
KR102152641B1 (ko) * 2013-10-31 2020-09-08 엘지전자 주식회사 이동 로봇
US9504367B2 (en) * 2013-11-20 2016-11-29 Samsung Electronics Co., Ltd. Cleaning robot and method for controlling the same
KR102016551B1 (ko) * 2014-01-24 2019-09-02 한화디펜스 주식회사 위치 추정 장치 및 방법
KR102158695B1 (ko) * 2014-02-12 2020-10-23 엘지전자 주식회사 로봇 청소기 및 이의 제어방법
US9713982B2 (en) * 2014-05-22 2017-07-25 Brain Corporation Apparatus and methods for robotic operation using video imagery
JP2016028311A (ja) * 2014-07-10 2016-02-25 株式会社リコー ロボット、プログラム、及び記憶媒体
US10289910B1 (en) * 2014-07-10 2019-05-14 Hrl Laboratories, Llc System and method for performing real-time video object recognition utilizing convolutional neural networks
KR101610502B1 (ko) * 2014-09-02 2016-04-07 현대자동차주식회사 자율주행차량의 주행환경 인식장치 및 방법
CN104268882A (zh) * 2014-09-29 2015-01-07 深圳市热活力科技有限公司 基于双线阵摄像头的高速运动物体检测与测速方法及系统
US9704043B2 (en) * 2014-12-16 2017-07-11 Irobot Corporation Systems and methods for capturing images and annotating the captured images with information
CN104552341B (zh) * 2014-12-29 2016-05-04 国家电网公司 移动工业机器人单点多视角挂表位姿误差检测方法
JP6393199B2 (ja) 2015-01-22 2018-09-19 株式会社日本総合研究所 歩行障害箇所判定システム及びその自走型走行装置
US9987752B2 (en) * 2016-06-10 2018-06-05 Brain Corporation Systems and methods for automatic detection of spills
CN109890575B (zh) * 2016-08-25 2023-02-21 Lg电子株式会社 移动机器人及其控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100811886B1 (ko) * 2006-09-28 2008-03-10 한국전자통신연구원 장애물 회피 진행이 가능한 자율이동로봇 및 그 방법
KR20140006110A (ko) * 2011-06-15 2014-01-15 도레이 카부시키가이샤 복합 섬유
KR20140031742A (ko) * 2012-09-05 2014-03-13 삼성전기주식회사 이미지 특징 추출 장치 및 이미지 특징 추출 방법, 그를 이용한 영상 처리 시스템
US20150336274A1 (en) * 2014-05-20 2015-11-26 International Business Machines Corporation Information Technology Asset Type Identification Using a Mobile Vision-Enabled Robot
KR20150142475A (ko) * 2014-06-12 2015-12-22 연세대학교 산학협력단 장애물 식별 장치 및 방법

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112020411A (zh) * 2018-04-25 2020-12-01 三星电子株式会社 用于向用户提供服务的移动机器人装置和方法
CN112020411B (zh) * 2018-04-25 2023-12-22 三星电子株式会社 用于向用户提供服务的移动机器人装置和方法
US11931906B2 (en) 2018-04-25 2024-03-19 Samsung Electronics Co., Ltd. Mobile robot device and method for providing service to user
KR20190134872A (ko) * 2018-04-30 2019-12-05 엘지전자 주식회사 인공지능 청소기 및 그 제어방법
KR102100474B1 (ko) 2018-04-30 2020-04-13 엘지전자 주식회사 인공지능 청소기 및 그 제어방법
CN110470296A (zh) * 2018-05-11 2019-11-19 珠海格力电器股份有限公司 一种定位方法、定位机器人及计算机存储介质
CN108968811A (zh) * 2018-06-20 2018-12-11 四川斐讯信息技术有限公司 一种扫地机器人的物体识别方法及系统
KR20200092857A (ko) * 2019-01-25 2020-08-04 주식회사 베어로보틱스코리아 로봇의 이동 경로를 결정하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
JP2021514495A (ja) * 2019-01-25 2021-06-10 ベアー ロボティックス，インコーポレイテッド ロボットの移動経路を決定する方法、システムおよび非一過性のコンピュータ読み取り可能記録媒体
KR102330161B1 (ko) 2019-01-25 2021-11-24 베어 로보틱스, 인크. 로봇의 이동 경로를 결정하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
JP7242667B2 (ja) 2019-01-25 2023-03-20 ベアー ロボティックス，インコーポレイテッド ロボットの移動経路を決定する方法、システムおよび非一過性のコンピュータ読み取り可能記録媒体
JP2023060291A (ja) * 2019-01-25 2023-04-27 ベアー ロボティックス，インコーポレイテッド ロボットの移動経路を決定する方法、システムおよび非一過性のコンピュータ読み取り可能記録媒体

Also Published As

Publication number Publication date
JP7055127B2 (ja) 2022-04-15
US20190179333A1 (en) 2019-06-13
EP3505311A4 (en) 2020-06-17
EP3505311A1 (en) 2019-07-03
CN109890576A (zh) 2019-06-14
US20190196495A1 (en) 2019-06-27
EP3505310A4 (en) 2020-06-03
WO2018038553A1 (ko) 2018-03-01
EP3505312A4 (en) 2020-06-17
US11199852B2 (en) 2021-12-14
US20190176330A1 (en) 2019-06-13
JP2019525361A (ja) 2019-09-05
AU2017316089B2 (en) 2020-10-29
AU2017316090A1 (en) 2019-04-11
AU2017316091A1 (en) 2019-04-11
EP3505312A1 (en) 2019-07-03
JP2019528535A (ja) 2019-10-10
EP3505312B1 (en) 2023-11-08
CN109890575B (zh) 2023-02-21
AU2017316089A1 (en) 2019-04-11
AU2017316091B2 (en) 2020-10-29
CN109890574B (zh) 2023-01-20
EP3505310B1 (en) 2024-01-03
EP3505310A1 (en) 2019-07-03
JP6785950B2 (ja) 2020-11-18
CN109890575A (zh) 2019-06-14
WO2018038552A1 (ko) 2018-03-01
CN109890574A (zh) 2019-06-14
CN109890576B (zh) 2022-04-22
AU2017316090B2 (en) 2020-10-29
US11150666B2 (en) 2021-10-19
EP3505311B1 (en) 2022-08-03
JP2019525360A (ja) 2019-09-05
JP6861797B2 (ja) 2021-04-21

Similar Documents

Publication Publication Date Title
WO2018038551A1 (ko) 이동 로봇 및 그 제어방법
WO2018097574A1 (ko) 이동 로봇 및 그 제어방법
WO2018139796A1 (ko) 이동 로봇 및 그의 제어 방법
AU2020247141B2 (en) Mobile robot and method of controlling the same
WO2021010757A1 (en) Mobile robot and control method thereof
WO2018155999A2 (en) Moving robot and control method thereof
WO2017188706A1 (ko) 이동 로봇 및 이동 로봇의 제어방법
WO2019083291A1 (ko) 장애물을 학습하는 인공지능 이동 로봇 및 그 제어방법
WO2021006677A2 (en) Mobile robot using artificial intelligence and controlling method thereof
WO2020218652A1 (ko) 공기 청정기
WO2019151845A2 (ko) 에어컨
AU2020244635B2 (en) Mobile robot control method
WO2017188800A1 (ko) 이동 로봇 및 그 제어방법
WO2021006542A1 (en) Mobile robot using artificial intelligence and controlling method thereof
WO2016028021A1 (ko) 청소 로봇 및 그 제어 방법
WO2020241951A1 (ko) 인공지능 학습방법 및 이를 이용하는 로봇의 동작방법
WO2022075614A1 (ko) 이동 로봇 시스템
WO2018117616A1 (ko) 이동 로봇
WO2021020621A1 (ko) 인공지능 무빙 에이전트
WO2019004742A1 (ko) 이동 로봇과 이동 단말기를 포함하는 로봇 시스템
WO2022075610A1 (ko) 이동 로봇 시스템
WO2021006553A1 (en) Moving robot and control method thereof
WO2019004773A1 (ko) 이동 단말기 및 이를 포함하는 로봇 시스템
WO2022075616A1 (ko) 이동 로봇 시스템
WO2022075615A1 (ko) 이동 로봇 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17843971

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019510881

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2017843971

Country of ref document: EP

Effective date: 20190325

ENP Entry into the national phase

Ref document number: 2017316089

Country of ref document: AU

Date of ref document: 20170824

Kind code of ref document: A