Naru's Happy Travel
DOI : http://dx.doi.org/10.7746/jkros.2012.7.3.171
접촉식 센서 데이터를 이용한 지질 특성 추출 및 지질 분류
충남대학교 메카트로닉스 공학과
Terrain Feature Extraction and Classification using Contact Sensor Data
Lee,
Mechatronics Engineering, Chungnam National University
1 Mechatronics Engineering, Chungnam National University, 2 Mechatronics Engineering, Chungnam National University
Received : Feb. 15. 2012, Reviewed :Mar. 30. 2012, Accepted : Jul. 19. 2012
Abstract
Outdoor mobile robots are faced with various terrain types having different characteristics. To run safely and carry out the mission, mobile robot should recognize terrain types, physical and geometric characteristics and so on. It is essential to control appropriate motion for each terrain characteristics. One way to determine the terrain types is to use non‐contact sensor data such as vision and laser sensor. Another way is to use contact sensor data such as slope of body, vibration and current of motor that are reaction data from the ground to the tire. In this paper, we presented experimental results on terrain classification using contact sensor data. We made a mobile robot for collecting contact sensor data and collected data from four terrains we chose for experimental terrains. Through analysis of the collecting data, we suggested a new method of terrain feature extraction considering physical characteristics and confirmed that the proposed method can classify the four terrains that we chose for experimental terrains. We can also be confirmed that terrain feature extraction method using Fast Fourier Transform (FFT) typically used in previous studies and the proposed method have similar classification performance through back propagation learning algorithm. However, both methods differ in the amount of data including terrain feature information. So we defined an index determined by the amount of terrain feature information and classification error rate. And the index can evaluate classification efficiency. We compared the results of each method through the index. The comparison showed that our method is more efficient than the existing method.

1. 서 론

 실외 환경에서의 주행을 목적으로 하는 이동 로봇은 다양한 조건의 지질들을 만나게 된다. 아스팔트와 같이 평평하고 단단한 지질에서는 미끄러짐(slip) 발생이 적으며 빠른 속도로 주행을 하여도 로봇의 안전성이 높다. 하지만 모래와 자갈과 같이 표면에 굴곡이 크거나 유연한 지질에서는 미끄러짐이 발생할 확률이 높으며 빠른 속도로 달리는 상황에서는 로봇의 안전성이 낮다. 이렇게 실내 환경과 달리 실외 환경에서 주행을 하는 이동 로봇에게는 현재 주행중인 지질을 인식하여 안전성을 고려한 최적의 주행속도를 결정하는 것은 매우 중요한 문제이다.

실외 환경에서 지질을 인식하고 분류하기 위한 방법으로는 레이저 스캐너, 적외선 카메라, 전하결합소자(CCD)카메라, 라이다 등의 센서를 사용하는 비접촉 정보 기반의 지질인식 연구와 로봇 몸체의 진동정보, 기울기 등과 같이 바퀴와 지면간의 접촉을 통해 발생하는 파라미터 등을 이용한 지질인식 연구가 수행되고있다.

 먼저, 비접촉식 센서 데이터 기반의 연구로는 레이저 스캐너를 통한 지질 인식 연구[1]가 있다. 레이저 스캐너로 지질마다 수집한 데이터를 주파수 정보로 변환하고 이 데이터를 학습 알고리즘으로 학습시켜 지질을 분류하는 방법을 사용하였다. 분류 성능은 높지만 처리할 데이터의 양이 많기 때문에 실시간성이 떨어질 수 있으며, 물 웅덩이와 같은 곳에서는 레이저의 난반사로 인해 데이터 수집이 어렵기 때문에 지질인식의 정확도가 떨어지게 된다. 전하결합소자(CCD)카메라와 같은 영상 정보를 활용한 지질인식 연구[2-4]는 영상 센서를 통해 얻은 데이터에서 색상과 질감 특징을 추출하고 로봇이 주행 가능한 여러 지질과 하늘, 숲 등으로 분류하여 주행이 가능한 지질과 그렇지 않은 지질을 인식한다. 단점으로 영상 정보는 조명 또는 기후와 같은 환경 요인에 민감하기 때문에 지질 분류 결과가 왜곡되기 쉽다.

 접촉식 센서 데이터 기반의 지질인식 연구는 크게 두 가지로 나뉘며, 한 가지는 로봇과 지면과의 접촉으로 인해 발생하는 접촉 각, 미끄러짐, 추진력 등의 파라미터를 추정하여 지질을 특성화하는 연구[5,6]로 특성화된 지질정보는 주행제어 계획에 활용된다.

 다른 한 가지는 로봇 몸체의 진동, 기울기 등의 정보를 이용하여 아스팔트, 모래, 자갈, 흙 등과 같이 주행 지질을 분류하는 지질 분류 연구[7-11]가 있으며, 이 연구는 이동 로봇이 지질에 의존하여 주행 제어 모드를 선택하기 위해 주로 연구되고 있으며, 지질 분류를 통해 주행지질을 판단하고 알맞은 주행 제어를 하여 미끄러짐이나, 바퀴 묻힘, 로봇의 물리적 손상 등의 위험상황을 예방할 수 있으며, 또한 미끄러짐으로 인한 에너지 소모를 줄일 수 있기 때문에 효율적인 에너지 사용이 가능하게 된다.

 지질 분류 연구의 지질을 분류하기 위한 방법을 좀더 살펴보면 먼저, 수집한 접촉식 센서 데이터를 오프라인 상에서 지질 특성을 추출한 후 학습 알고리즘을 사용하여 학습을 시키게 된다. 이렇게 학습이 완료된 이동 로봇이 온라인 상에서 주행을 하며 센서로 데이터를 수집하고 지질 특성정보를 추출하여 학습된 지질정보와의 비교를 통해 지질을 분류하게 된다. 이러한 진행 과정 중에 접촉식 센서 데이터로부터 지질 특성을 추출하는 방법은 지질 분류의 성능을 좌우하는 핵심기술[12-14]로 최근에도 활발히 연구 중이다. 주로 고속 퓨리에 변환을 통해 주파수 성분으로 변환된 데이터에서 지질 특성정보를 추출하여 학습시키는 방법이 사용되며, 비교적 높은 분류 성능을 보이지만 주파수영역으로 변환하기 위해서는 많은 양의 데이터가 필요하다. 또한 추출하게 되는 지질 특성정보의 양이 많기 때문에 실시간 구현 성능이 떨어질 수 있다.

 본 논문에서 독창적으로 제안하는 지질 특성정보 추출 방법은 지면과 바퀴 사이의 접촉에 의해 발생하는 현상과 지질의 물리적 특성을 고려하여 접촉식 센서 데이터를 분석한 결과로부터 착안한 방법이다. 기존의 주파수 변환을 이용해 지질 특성정보를 추출하는 방법에 비해서 적은 양의 센서 데이터를 필요로 하고 추출된 지질 특성 데이터의 개수 또한 적다. 하지만 지질 분류율은 비슷한 성능을 보이지만 좀 더 빠르게 지질 특성 데이터를 추출하게 되므로 실시간성을 고려할 경우에는 제안하는 방법이 더 우수한 성능을 보인다.

 본 논문의 구성은 접촉식 센서 데이터의 수집과 분석(2장), 지질 특성정보 추출(3장), 신경망 알고리즘을 이용한 지질 특성 추출방법에 따른 지질 분류 성능비교(4장)의 내용으로 되어있다.

2. 접촉식 센서 데이터의 수집 및 분석

2.1 접촉식 센서 데이터를 수집하는 로봇 시스템 설계

 실외를 주행하며 지면과 바퀴 사이의 접촉을 통해 얻어지는 데이터를 수집하기 위한 시스템을 Fig. 1과 같이 구성하였다. 외부 플랫폼은 알루미늄 재질로 가로 24cm, 세로 37cm 의 크기를 가지며 에어 충전식 바퀴 4개로 구성된다. 내부 시스템 구성은 임베디드 보드를 중심으로 관성측정장치(IMU)와 2개의 모터 제어기, 4개의 엔코더 모터 등으로 이루어져 있으며, 센서 모듈과 메인보드 사이의 통신은 RS232 통신 방식을 사용하였고 제어 컴퓨터와 로봇 사이의 통신은 무선랜 방식으로 이루어 지도록 구성하였다.

Fig. 1. The mobile robot and controller architecture for experimental purpose

 지질 특성 데이터로 사용되는 센서 데이터로는 관성측정장치(IMU)로 측정되는 3축 방향의 가속도, 롤율(roll rate)/피치율(pitch rate)/요율(yaw rate), X축과 Y축의 기울기 정보가 있고 모터 제어기를 통행 로봇이 주행 중에 사용하는 모터 전류를 수집하게 된다. 모터전류는 이동 로봇의 추진력과 관련된 파라미터이므로 지질마다 데이터의 특성이 다를 것으로 판단하여 접촉 정보에 포함하여 연구를 진행하였다. 컴퓨터와 로봇 사이의 통신은 무선랜 방식으로 이루어 지도록 구성하였다

2.2 실험 지질 선정

 실험 지질은 지질의 물리적 특성을 고려하여 단단한 지질에 속하는 아스팔트와 흙 지질과 유연한 지질에 속하는 자갈과 모래 지질을 실험지질로 Fig. 2.와 같이 네 지질을 선정하였다.

Fig. 2. Experimental terrains

 아스팔트와 흙은 단단한 지질로 이동 로봇이 주행을 할 때 지질의 변형이 적게 발생하며 바퀴와 지면과의 접촉점의 개수가 적지만 단단하기 때문에 마찰력이 크게 작용한다. 유연한 지질인 자갈과 모래 지질은 바퀴와의 접촉으로 인해 지질의 변형이 일어나기 쉬우며 자갈은 접촉점의 개수가 적고 모래의 경우는 많지만 둘 다 변형되기 쉽기 때문에 마찰력이 작게 작용하는 특성을 갖는다. 다음 2.3절에서는 이러한 지질의 물리적 특성을 고려하여 접촉식 센서 데이터를 분석한 내용을 소개한다.

2.3 지질별 수집 데이터 분석

 접촉식 센서 데이터는 설계한 소형로봇으로 선정한 네 곳의 실험지질을 0.65m/s의 속도로 직선주행을 하도록 제약조건을 주고 실험하여 수집하였다. 소형로봇의 주행 속도는 Table 1과 같이 바퀴 크기를 기준으로 국방연구소에서 개발한 야지 자율주행을 목적으로 하는 견마로봇과의 스케일 비교를 통해서 타당성을 확인하였다. 바퀴의 크기를 기준으로 실험용 소형로봇의 최대주행속도는 1.23m/s 이므로 실험에 사용한 주행속도인 0.65m/s는 최대주행속도의 반 정도에 해당하는 속도이므로 실험에 유효한 속도로 판단하였다.

Table 1. Comparison of scale with Military robot and our experimental robot

 수집한 지질별 센서 데이터를 X축은 샘플 개수로, Y축은 센서 출력 값의 보정 전 원시 데이터로 하여 그래프를 출력하면 Fig. 3.과 Fig. 4와 같이 나타나며, 데이터는 지질마다 다른 특성을 가짐을 육안으로도 쉽게 확인이 가능함을 알 수 있다.

Fig. 3. Motor current data collected from experimental terrains (X-axis: Sample number, Y-axis : Sensor raw data )

Fig. 4. Yaw rate data from experimental terrains (X축 : 샘플 개수, Y축 : 센서의 보정 전 원시 데이터 )

 이러한 특성을 갖는 센서 데이터에서 지질 특성을 추출하기 위해 지질별 센서 데이터를 분석한 결과, 지질마다 데이터의 위쪽 피크점과 아래쪽 피크점의 주기, 진폭 등의 패턴이 다르게 나타나게 됨을 확인하였고, 이러한 현상은 지면의 물리적 특성이 반영되었기 때문에 발생하는 것으로 분석하였다.

Fig. 3의 지질별 모터 전류 데이터를 보면 아스팔트는 평평하고 단단하기 때문에 위, 아래 피크점의 주기와 진폭이 비교적 일정하다. 자갈 지질 데이터는 바퀴와 지면간의 불규칙적인 접촉으로 인해 위쪽 피크점이 높게 튀어나온 것을 볼 수 있다. 

 모래 지질 데이터는 네 곳의 실험 지질 중에서 가장 유연하고 접촉점이 많은 지질로 다른 지질에 비해 피크점 개수가 적으며 피크점이 없는 구간은 전류 소모가 작은 구간이므로 바퀴의 미끄러짐이 발생한 구간으로 볼 수 있다.

 흙 지질 데이터는 자갈과 모래 지질 데이터의 중간정도의 특성을 보이게 되는데, 흙 지질은 크기가 작은 자갈과 모래가 섞인 지질이기 때문에 이러한 물리적 특성을 보이는 것으로 분석하였다.

 Fig. 4의 요율 데이터는 육안으로 물리적 특성이 확인될 정도는 아니지만 지질별로 위, 아래 피크점의 패턴이 다름을 알 수 있다.

 수집한 접촉식 센서 데이터 중에 모터 전류와 요율, Z축 가속도의 데이터가 비교적 지질 특성이 강하게 나타나는 것을 확인하였으며, 다음 3장에서는 지질특성이 강한 세 가지 센서 데이터에서 지질 특성을 추출하는 알고리즘을 소개하고 추출한 특성정보가 지질분류에 사용될 수 있음을 실험을 통해 검증한 결과를 소개한다.

3. 지질 특성정보 추출

3.1 피크분산을 이용한 지질 특성정보 추출 방법

 2.3절에서 지질별 접촉식 센서 데이터를 분석한 결과를 바탕으로 수집 데이터에서 지질 특성정보를 추출하기 위해 Fig. 5와 같은 방법을 고안하였다.

Fig. 5. Algorithm concept of terrain feature extraction using peak variances

 수집한 접촉식 센서 데이터가 지질마다 위, 아래 피크점의 주기와 진폭이 다르게 나타나는 특성을 활용하기 위해 사용자가 정한 일정 구간 동안에 얻어진 데이터에서 위쪽과 아래쪽의 피크점을 추출하였다.

 연립부등식(1)을 만족하는 센서 데이터 Xk를 위쪽피크점 데이터로 사용하였고 연립부등식(2)를 만족하는 센서 데이터 Xk를 아래쪽 피크점으로 사용하였다.

 추출한 피크점은 식(3)을 이용하여 추출한 위쪽 피크점 데이터 Xpp와 아래쪽 피크점 데이터 Xnp의 평균 μpp, μnp을 각각 구하고 식(4)를 이용하여 분산 σ2pp, σ2pp을 계산하게 된다. 계산된 두 개의 분산 데이터를 분류 특성을 분석하기에 용이하도록 2차원 평면의 X, Y축에 각각 대응시켜 데이터를 출력하면 Fig. 5의 오른쪽 아래의 그림과 같이 2차원 평면에 지질 그룹이 형성되게 된다. 이 계산 과정을 다음 샘플링 시간에 측정되는 센서 데이터를 추가하여 반복계산을 하게 된다. 이렇게 얻어진 위쪽과 아래쪽의 피크분산 값을 피크분산 특성정보(Feature of peak variance)라고 명명하여 사용하였다.

 본 논문의 결과물은 피크 값의 분산을 계산하기 위한 구간 n을 50샘플로 선정하였으며, 구간의 크기를 변화시켜 실험한 결과로 구간의 길이가 길수록 추출된 지질그룹의 구분이 명확해 짐을 확인하였다.

3.2 센서별 지질 특성 추출 결과

 같은 지질에서 수십 회의 반복 실험을 통해 피크분산을 이용해 추출한 지질 특성정보 데이터가 센서별로 특정 지질이 반복되는 특성을 보임을 확인하였다. 이러한 반복되는 특성을 보이기 위해 Fig. 6, Fig. 7, Fig. 8 과 같이 센서별로 4회의 반복 실험결과를 보였다.

Fig. 6. The result of terrain feature extraction from motor current data on each experimental terrains(Dotted rectangle is before enlarged portion, solid rectangle is after enlarged portion)

Fig. 7. The result of terrain feature extraction from acceleration data of z‐axis on each experimental terrains(Dotted rectangle is before enlarged portion, solid rectangle is after enlarged portion)

Fig. 8. The result of terrain feature extraction from yaw rate data on each experimental terrains(Dotted rectangle is before enlarged portion, solid rectangle is after enlarged portion)

 먼저 Fig. 6의 모터 전류 정보를 이용하여 지질 특성을 추출한 결과를 보면 4회의 반복실험 동안 아스팔트와 흙 지질의 피크분산의 분포와 유동성이 작게 나타났다. 반면에 자갈과 흙 지질의 피크분산의 분포와 유동성은 크게 나타났다. 고정적인 특성을 보이는 아스팔트와 흙 지질은 모터 전류 정보를 이용해 추출한 지질 특성정보로 지질 분류가 가능함을 알 수 있다.

 Fig. 7은 Z축 가속도 정보를 이용한 지질 특성 추출 결과로 전과 동일한 방법으로 분석해 보면 흙과 모래 지질 모두 고정적인 특성을 보이지만 흙 지질은 아스팔트 지질의 피크분산 분포와 겹치는 부분이 발생하게 된다. 겹치는 부분은 지질 특성이 비슷한 것이므로 Z축 가속도 정보를 이용하여 추출한 지질 특성으로는 흙과 아스팔트는 비슷한 지질로 판단할 것임을 알 수 있다. 자갈 지질의 피크분산 분포의 유동성은 조금 나타났지만 분포의 크기는 작게 나타났기 때문에 자갈 지질의 분류가 가능할 것이다.

 Fig. 8은 요율 정보를 이용한 지질 특성 추출 결과로 자갈 지질만 피크분산 분포와 유동성이 조금 나타나고 나머지 세 지질은 분포와 유동성이 작게 나타났다. 이 결과를 통해 요율 정보가 다른 센서들 보다 지질 특성정보를 많이 포함하고 있음을 알 수 있다.

4. 신경망 알고리즘을 이용한 지질 특성 추출 방법에 따른 지질 분류 성능비교

 본 4장에서는 제안한 방법과 기존의 방법의 성능비교를 위해 기존의 지질분류 연구에서 지질 특성정보로 활용하는 고속 퓨리에 변환 특성정보와 피크분산 특성정보를 신경망을 통해 학습하여 지질을 분류하고, 두 방법의 성능을 비교한 내용을 소개한다. 사용된 신경망은 역전파 알고리즘으로 입력층‐은닉층‐출력층의 역방향 다층퍼셉트론 네트워크 구성을 갖는다.

4.1 고속 퓨리에 변환 특성정보를 이용한 지질 분류

 고속 퓨리에 변환 특성정보를 이용하여 지질 분류실험은 Debangshu Sadhukan[12]  이 제안하였던 방법을 사용하였다. 센서로 얻은 데이터를 고속 퓨리에 변환정보로 변환하면 특정 구간의 주파수 성분이 지질마다 다르게 나타나는 특성을 보이게 되는데 이 구간에서 10개의 데이터를 추출하여 지질 특성정보로 활용하였다. 지질마다 추출한 고속 퓨리에 변환 특성정보는 분류 검증을 위해 역전파 알고리즘의 구성은 10노드의 입력층, 30노드의 은닉층, 4노드의 출력층으로 설정하였으며, 학습율은 0.01, 반복횟수는 5000회로 설정하였다. 한 세트가 10개로 구성된 지질 특성정보 600세트를 추출하여 400세트는 학습 데이터로, 200세트는 지질 분류 검증 데이터로 사용하여 Fig. 9와 같은 실험결과를 얻었다.

Fig. 9. The result of terrain classification using terrain features of FFT

 지질 분류 결과 그림의 구성은 X축에는 지질의 종류이고 Y축은 분류율을 나타낸다. Y축의 0을 기준으로 위쪽은 해당 지질의 분류율이고, 아래쪽은 해당 지질이 아닌 다른 지질로 분류한 분류율을 나타냈다. 즉, 분류 오류율을 의미한다.

 고속 퓨리에 변환 특성정보를 이용한 모터전류 데이터를 이용한 분류결과는 흙 지질을 제외한 지질은 평균 85% 정도의 분류율을 보였으며, Z축 가속도 데이터는 모래와 흙 지질이 높은 분류율을 보였다. 요율데이터는 평균 97% 정도의 높은 분류율을 보였으며, 이 결과는 앞의 3.2절의 내용에서 지질 특성을 가장 많이 포함하고 있는 것으로 분석한 내용과 일치하는 결과임을 알 수 있다.

4.2 피크분산 특성정보를 이용한 지질 분류

 피크분산 특성정보를 학습하고 분류 성능을 검증하기 위한 역전파 알고리즘의 구성은 2노드의 입력층, 10노드의 은닉층, 4노드의 출력층으로 설정하였으며, 학습율은 0.01, 반복횟수는 5000회로 하였다. 학습에 사용되는 데이터는 한 세트가 위쪽 피크분산과 아래쪽 피크분산 값으로 2개인 피크분산 특성정보를 600 세트를 추출하여 400세트는 학습 데이터로 200세트는 지질분류 검증 데이터로 사용하여 Fig. 10과 같은 결과를 얻게 되었다. 요율 데이터를 이용한 지질 분류결과는 모든 지질의 분류율이 평균 95% 이상으로 고속 퓨리에 변환 특성정보를 이용한 분류 결과와 비슷한 분류성능의 결과를 얻었고 나머지 두 센서 데이터의 전체적인 분류율은 낮게 나타났다. 하지만 모터전류 데이터를 이용한 분류결과에서 아스팔트와 모래 지질과, Z축 가속도 데이터를 이용한 분류결과에서 자갈 지질은 분류율이 높게 나타났다. 이렇게 센서마다 지질을 구분할수 있는 특성이 다르기 때문에 이러한 특성을 조합해서 지질을 분류한다면, 고속 퓨리에 변환 특성정보를 이용한 분류 성능과 대등한 결과를 얻을 수 있을 것으로 분석하였다.

Fig. 10. The result of terrain classification using terrain features of peak variance

 이러한 분류 알고리즘을 이동 로봇에 적용 할 때는로봇이 주행을 하며 실시간으로 지질을 분류해야 하기때문에 분류 성능뿐만 아니라 실시간성도 고려해야 한다. 다음 4.3절에서는 실시간성을 고려한 분류 효율성이라는 평가지수를 정의하고 이를 적용하여 고속 퓨리에 변환 특성정보와 피크분산 특성정보를 이용한 분류방법의 성능을 비교하였다.

4.3 실시간성을 고려한 분류 효율성 비교

 실제 이동 로봇에 적용하여 주행 중에 지질을 분류하기 위해서는 실시간성도 분류 성능의 중요한 판단기준이 된다. 따라서 고속 퓨리에 변환 특성정보와 피크분산 특성정보를 추출하는 연산시간을 아래 Table 2과 같이 비교하였다. 연산시간을 보면 피크분산을 이용한 지질 특성 추출의 연산시간이 약 두 배정도 빠른 것을 확인하였다.

Table 2. The comparison of computational time according to method for terrain feature extraction (Method 1 : terrain feature extraction using FFT feature data, Method 2 : terrain feature extraction using peak variance data)

 실시간성과 분류 오류율을 고려하여 분류 효율성을평가하기 위한 평가지수를 다음 식 (5)과 같이 정의하였다.

 Eefficiency는 분류 효율성을, Ppossibility는 분류율을, tprocessing time은 지질 특성정보를 추출하는 연산시간을, eerror는 분류 오류율을 나타낸다. 지질 특성정보의 추출은 로봇이 주행을 하며 실시간으로 이루어 지는 부분이기 때문에 연산시간을 분류 효율성을 판단하는 평가지수에 사용하였으며, 분류 오류율도 같이 고려를 하여 평가지수를 정의 하였다. 식(5)의 Eefficiency 값이 크면 분류 효율성이 더 큰 것으로 볼 수 있다.

 4.1, 4.2절에서 얻은 학습 결과에 식(5)을 적용하여 피크분산 특성정보를 이용한 지질 분류방법과 고속 퓨리에 변환 특성정보를 이용한 지질 분류방법의 분류 효율성을 비교하여 아래와 같은 결과를 얻었다.

 앞의 4.1, 4.2절의 결과에서 요율 데이터를 이용한 지질 분류 결과가 두 가지 방법 모두 비슷한 분류 성능을 보이므로 식(5)을 적용하여 Fig. 11과 같이 분류 효율성을 비교하였다. 자갈 지질은 두 방법이 비슷한 분류 효율성을 갖지만 나머지 지질의 분류 결과에서는 고속 퓨리에 변환 특성정보를 이용하는 것보다 피크분산 특성정보를 이용한 지질 분류 결과가 높게 나타난 것을 볼 수 있다. 요율 데이터를 이용한 지질 분류율은 두 가지 방법 모두 비슷하지만 지질 특성정보를 추출하는 방법이 다르고, 또한 추출되는 정보의 양이 다르기 때문에 Table 2의 결과와 같이 연산시간에서 차이가 나게 된다. 이러한 두 방법의 성능 차이로 인해 본 논문에서 제안한 방법의 분류 효율성이 더 높게 나타나는 결과를 얻게 되었다.

Fig. 11. Comparison of classification efficiency

5. 결 론

 실외주행을 목적으로 하는 이동 로봇의 지질인식 방법 중 접촉식 센서 정보를 활용한 지질 분류에 관한 연구 결과를 소개하였다. 접촉식 센서를 갖춘 이동 로봇을 제작하여 실험지질로 선정된 네 개의 지질에서 접촉식 센서 데이터를 수집하였고, 이 데이터로 지질의 물리적 특성을 고려한 분석을 수행하여 센서 정보에서 지질 특성정보를 추출하는 알고리즘을 제안하였다.

 이 방법을 통해 피크분산 특성정보라고 명명하여 사용한 지질 특성정보를 추출하였고 센서마다 추출된 결과를 분석하여 센서별로 분류가 가능한 지질을 확인하였다. 또한 제안한 알고리즘을 검증하기 위해 기존의 연구에서 지질 특성정보로 사용하는 고속 퓨리에 변환특성정보와 피크분산 특성정보를 신경망 알고리즘을 통해 학습시켜 각각의 분류 성능을 비교하여 기존의 방법과 비슷한 성능을 보임을 확인하였다. 하지만 두 방법의 지질 특성정보 추출 연산시간이 다르기 때문에 연산시간과 분류 오류율을 고려한 분류 효율성을 기준으로 두 방법을 비교한 결과 제안한 방법이 더 우수함을 확인하였다.

 향후 연구 방향으로는 제안한 지질 특성 추출 방법을 속도가 변하는 조건에서의 지질 분류 연구에 적용할 것이며, 본 논문에서 실험지질로 선정한 네 지질이 적절히 혼합된 지질을 분류하는 방법에 대하여 연구할 계획이다.

Reference
1.Liang Lu, Camilo Ordonez, Emmanuel G. Collins, Jr. and Edmond M. DuPont, "Terrain Surface Classification for Autonomous Ground Vehicles Using a 2D Laser Stripe‐Based Structured Light Sensor" IEEE/RSJ International Conference on Intelligent Robots and Systems, October, 2009
2.Seung‐Youn Lee, Dong‐Min Kwak, “A Terrain Classification Method for UGV Autonomous Navigation Based on SURF” International Conference on Ubiquitous Robots and Ambient Intelligence(URAI), November, 2011
3.Peyman Moghadam, Wijerupage Sardha Wihesoma, “Online, Self‐Supervised Vision‐Based Terrain Classification in Unstructured Environments" IEEE International Conference on Systems, October, 2009
4.Ja‐young Kim, Jong‐hwa Lee, Jihong Lee, In‐So Kweon, “Terrain Classification for Enhancing Mobility of Outdoor Mobile Robot” Journal of Korea Robotics Society, 2010
5.E. Ray, "Estimation of Terrain Forces and Parameters for Rigid‐Wheeled Vehicles," IEEE Transactions on Robotics, June, 2009
6.Valentin Ivanov, Barys Shyrokau, Klaus Augsburg, Vladimir Algin, “Fuzzy evaluation of tyre‐surface interaction parameters” Journal of Terramechanics, October, 2009
7.Lauro Ojeda, Johann Borenstein, Gary Witus, Robert Karlsen, “Terrain Characterization and Classification with a Mobile Robot” Jounal of Field Robotics, 2006
8.Christian Weiss, Holger Frojlich and Andeas Zell, "Vibration‐based Terrain Classification Using Support Vector Machines" IEEE/RSJ International Conference on Intelligent Robots and Systems, October, 2006
9.Christian Weiss, Nikolas Fechner, Matthias Stark, Andreas Zell, "Comparison of Different Approaches to Vibration‐based Terrain Classification" Conference on Mobile Robots, September, 2007
10.Philippe Giguere and Gregory Dudek, "Surface Identification Using Simple Contact Dynamics for Mobile Robots" IEEE International Conference on Robotics and Automation, May, 2009
11.Christopher Brooks, Karl Iagnemma, and Steven Dubowsky, "Vibration‐based Terrain Analysis for Mobile Robots" IEEE International Conference on Robotics and Automation, April, 2005
12.D. Sadhukhan. “Autonomous ground vehicle terrain classification using internal sensors” Master’s thesis, Dept. Mech. Eng., Florida State University, 2004
13.C. A. Brooks and K. Iagnemma, “Vibration‐based terrain classification for planetary exploration rovers” IEEE Transactions on Robotics, December 2005
14.Eric Coyle, Emmanuel G. Collins Jr, Rodney G. Roberts, “Speed Independent Terrain Classification Using Singular Value Decomposition Interpolation” IEEE ICRA, May, 2011

Designed by hikaru100

나눔글꼴 설치 안내


이 PC에는 나눔글꼴이 설치되어 있지 않습니다.

이 사이트를 나눔글꼴로 보기 위해서는
나눔글꼴을 설치해야 합니다.

설치 취소

SketchBook5,스케치북5

SketchBook5,스케치북5

SketchBook5,스케치북5

SketchBook5,스케치북5