쓰쿠바 챌린지에서 살펴본
격자지도의 매칭에 기반을 둔
미지 장애물에 강인한 자기위치 추정
▲ CARTIS Type R의 출전하기 전 모습.
지난 2010년 쓰쿠바 챌린저에는 32개 팀 중 7개의 팀만이 과제를 완수했고, 이번에 소개할 자기위치 추정 기술은 이 7개 팀이 출품한 로봇 중 하나인 ‘CARTIS Type R’에 적용된 기술이다. 본지에서는 지난 2012년 9월호에서 언급한 바 있는 쓰쿠바 챌린지 속 로봇을 통해 자율주행 로봇의 핵심 기술이라 할 수 있는 자기위치 추정 기술에 대해 살펴본다.
1. 서론
자율적으로 이동해 물리적 서비스를 제공 하는 로봇 시스템 실현을 위해 여러 요소 기술에 대한 연구가 추진되고 있다. 그 중에서도 특히 자기위치 추정은 중요한 요소 가운데 하나이다. 지금까지의 자기위치 추정은 대부분이 GPS에 의한 측위나 로봇에 탑재한 센서에 의해서 관측된 주변의 환경 정보와, 랜드 마크를 기재한 지도정보를 비교함으로써 이루어 졌다.
하지만 옥외 공간에서 위성의 전파를 수신만 하면 자기 위치 추정이 가능하나 수목이나 건물과 같은 차폐물이 있는 경우는 GPS의 신호를 포착하는 것이 어렵기 때문에 로봇에 탑재한 센서로부터 얻은 관측 정보와 랜드 마크와의 비교로 자기위치 추정과 병용하는 방법이 주류를 이루고 있다.
2. 자율주행 로봇 ‘CARTIS Tupe R’
1)이동 로봇 플랫폼
개발한 4륜 차량형 자율 이동 로봇의 명칭은 ‘CARTIS Tupe R’이며 차체는 SUZUKI(주)에서 만든 전동 세니아카(ET 4D)를 개조한 것으로, 전장 119.5cm, 폭 65cm, 높이 98cm, 중량 95kg로 원래 사람을 탑승시켜 옥외 환경에서 주행토록 설계했기 때문에 주파성이 안정되어 있고, 주위의 보행자들이 차체의 진로를 예측하기 쉽기 때문에 안전성에 있어서도 좋다.
2)환경 센서
쓰쿠바 챌린지 코스에서 설정된 환경은 많은 보행자가 통행하는 환경으로 랜드 마크의 관측 기회가 특히 적을 것으로 예상되어 참가자 대부분이 보행자의 영향을 받지 않도록 높은 장소의 특징을 관측 대상으로 하거나, 3차원 스케닝을 이용해 조금이라도 더 많은 정보를 얻도록 시도하고 있다. 그리고 관측 범위는 평면상의 2차원으로 한정했으며, 경기에 출품한 로봇은 관측 범위의 3차원화를 시도하지 않았다.
3. 미지 물체에 강한 자기위치 추정
1)관련 연구
로봇의 환경 센서로 많이 이용되는 ‘Time of Flight형 센서’의 우도(尤度, likelihood)모델 p(z＼x)는 ▲통상의 계측 오차 ▲미지 장애물의 출현에 의한 오차 ▲관측 범위의 한계에 의한 오차 ▲랜덤 잡음 등 4종으로 계측 오차에 의해 구성된 것으로 알려져 있다.
이 관측 모델에서 ‘미지 장애물 출현에 의한 오차’는 장기적인 관측에 있어서 통계적 미지 장애물 출현 확률에 근거하고 있기 때문에 단기적 관측 데이터로부터 위치를 추정할 때는 이 모델을 적용하면 참값 부근의 우도가 현저히 떨어진다.
2)환경의 격자지도 표현
로봇의 관측 정보나 전체 지도를 LRF 설치 높이의 평면을 일정 치수의 정방 격자로 분할한 격자 지도로 표시하고 있다.
LRF에 의해 얻어진 거리 정보를 근거로 생성된 로봇 주변의 국소적 격자지도를 현지 지도 L, 환경 전체의 지형을 표시하는 광역의 격자 지도를 환경지도 M이라고 부른다. 각 격자는 원칙적으로 레이저 광이 통과되는 ‘자유공간’과 통과 되지 않는 ‘점유공간’으로 분류하고 있다.
3)격자지도의 매칭과 관측 모델 연구
자기위치 추정 모델은 파티클 필터를 이용하는데 각 파티클 필터는 환경 지도상에 분포되어 있는 것으로 하고, 로봇의 이동에 따른 위치와 자세를 갱신하는 것으로 한다. 센서의 관측 정보로부터 현지지도를 얻는 경우 환경지도 속의 각 파티클의 위치에 겹치도록 동차변환(회전·평행이동)을 실시한다.
이때 겹친 2매 화상의 각 화소(Pixel)별 차이를 보고 불일치하는 화소 수에 따라 그 파티클의 확실성을 판정하는 것이다.
4. 실증 실험
1)환경 지도의 작성
실험에 사용한 환경지도의 작성방법은 경로에 따라 1회에 한해 로봇을 수동으로 주행시킴으로써 전체 환경지도의 반자동 생성을 시도한 것으로 그 수순은 다음과 같다.
▲환경지도를 초기화 하고 ▲LRF와 오도메트리(Odometry, 주행거리 측정기)의 정보를 받으면서 경로에 따라 로봇을 주행시키며 ▲LRF 정보로부터 현지지도를 생성하면서 ▲환경지도 위에 오도메트리 위치와 겹치도록 현지지도에 동차변환을 실시한다. 또한 ▲현지지도와 환경지도와의 자유공간의 논리연산(Logical Disjunction)을 취하고 ▲전체 경로를 주행 할 때까지 LRF와 오도메트리의 정보를 통한 로봇 주행에서부터 논리연산을 취하는 과정까지 반복한다. ▲최후로 본래는 자유공간이어야 하는데도 불구하고 점유공간으로 남은 곳은 페인트 소프트로 편집한다.
2)시뮬레이션에 의한 자기위치 추정의 강인성 검증
제안한 방법의 강인성을 검증하기 위해 시뮬레이터를 이용, 추정자기 위치의 정도 검증을 실시했다. 여기서는 교시주행 시 얻은 주행 데이터와 LRF의 관측 데이터에 노이즈를 부가한 것을 입력했다.
출발점에서 골인점까지의 추정위치의 오차 추이는 종래 방법(노이즈 없음)으로는 최대 1m 이상인 반면 제안한 방법에서는 가상오차를 고려한다고 해도 최대 오차가 60cm 정도였다.
또 이외에 노이즈 패턴으로 편측의 LRF가 완전하게 시야를 가렸을 경우를 시험했으나 1m 이상의 오차도 없어 미지장애물에 대해 강인함을 보여 주었다.
3)‘쓰쿠바 챌린지 2010’에서의 자율주행
시뮬레이션에서는 로봇과 함께 이동하는 장애물을 상상했지만 실제 경기에서는 벽이나 수목 주변에서 관전하는 사람이 많아 이들에 의해 랜드 마크가 가려지는 경우도 있었으나 시도한 방법은 지도에 기술한 랜드 마크가 조금이라도 보일 때마다 벽에 과잉으로 접근된 파티클이 소멸되었기 때문에 큰 영향을 받지 않고 위치를 갱신했다.
최종적으로 전장 1.1km의 코스를 25분 48초에 완주할 수 있었다. 편측벽에 따라 세워진 자전거로 인해 일시적으로 오차가 0.6m에 도달해 정차할 뻔 했으나 내비게이션 프로그램의 장애물 기능으로 충돌을 면하게 되었으며, 대회를 통해 본 연구가 말하는 강인한 자기위치 추정기능이 입증되었다.
5. 결론
측역 센서로 관측한 현지지도와 환경지도를 2개 값의 격자지도로 표시하고 각 파티클 위치에 있어서 화상이 불일치 화소량에 기초한 파티클의 우도평가방법을 제안했으며 실제 보행자가 존재하는 환경에서 주행 테스트나 가상적 노이즈를 추가해서 스트레스 테스트에 의해 제안한 방법은 동적환경에서 강인하게 자기위치를 추정하고 경로에 따라 안전하게 주행할 수 있음을 증명했다.
간단한 화상처리나 논리연산의 실행만으로 지도생성이나 우도계산이 되기 때문에 실장이 용이하며, 사람 왕래가 끊이지 않는 동적환경에서 지도를 생성시키고 자율 주행하는데 편리성이 매우 높은 방법이라고 할 수 있다.
<필자 약력>
마규하 전문연구위원
- 서울대학교 공과대학 공학사(기계공학)
- 서울대학교 경영대학원 이수(경영진단사)
- 기아자동차(주) 제조이사
- (주)기아기공 기아기계연구소장(부사장)
- 서울산업대학교 기계설계자동화 공학부 겸임교수(산학명예교수)
- 현, 한국과학기술정보연구원 전문연구위원
<출처>
富澤 哲雄 ‘グリットマップのマッチングに基づく未知障碍物にロバストな自己位置推定’ 日本ロボット學會誌, 30(3), 2012, pp.280∼286
