• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제2권7호
• /
• pp.471-478
• /
• 2013

본 논문은 Rapidly-exploring Random Tree(RRT) 알고리즘을 이용한 Simulink/Stateflow 모델 기반의 블랙박스 테스트 케이스 자동 생성 기법을 제안한다. RRT는 복잡한 시스템의 경로 계획을 효율적으로 해결하는 좋은 방법으로 널리 사용되고 있다. 본 논문에서 제안하는 기법은 블랙박스 테스트 케이스 생성 시 해결해야 되는 도달 가능 문제를 RRT를 통해 해결하고자 한다. RRT를 이용하여 테스트 케이스를 생성 할 때의 가장 큰 단점은 Stateflow 모델의 내부 상태가 복잡한 시스템을 위한 RRT 확장 시 시간과 메모리 측면에서 많은 비용이 발생하게 된다는 점이다. 일반적인 RRT 기법이 대상 시스템을 단일한 RRT 공간으로 구성 하는 반면 제안된 기법에서는 대상 시스템을 Stateflow의 상태를 기준으로 동적 분할하여 RRT 공간을 모델링 구성 함으로써 RRT 확장 시 필요한 비용을 감소시켰다. 본 논문에서는 분할 RRT 공간을 위한 RRT 공간의 정의와, 거리 측정 기법, 테스트 케이스 생성 알고리즘을 제시한다. 또한, 예제 Stateflow 모델을 기반으로 한 테스트 케이스 생성실험을 통해 제안된 알고리즘의 성능을 보인다.

• 한국항공운항학회지
• /
• 제27권2호
• /
• pp.1-8
• /
• 2019

Optimal path planning refers to find the safe route to the destination at a low cost, is a major problem with regard to autonomous navigation. Sampling Based Planning(SBP) approaches, such as Rapidly-exploring Random Tree Star($RRT^*$), are the most influential algorithm in path planning due to their relatively small calculations and scalability to high-dimensional problems. $RRT^*$-Smart introduced path optimization and biased sampling techniques into $RRT^*$ to increase convergent rate. This paper presents an improvement plan that has changed the biased sampling method to increase the initial convergent rate of the $RRT^*$-Smart, which is specified as m$RRT^*$-Smart. With comparison among $RRT^*$, $RRT^*$-Smart and m$RRT^*$-Smart in 2 & 3-D environments, m$RRT^*$-Smart showed similar or increased initial convergent rate than $RRT^*$ and $RRT^*$-Smart.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제2권11호
• /
• pp.765-778
• /
• 2013

본 논문은 Rapidly-exploring Random Tree(RRT) 확장 기법을 이용하여 Stateflow 모델 기반의 블랙박스 테스트 케이스 자동 생성 방법을 제안한다. 복잡한 시스템의 경로 계획 문제를 효율적으로 해결하는 방법으로 널리 사용되고 있는RRT기법은 테스트 케이스 생성에서도 좋은 성능을 보이고 있으나, 테스트 케이스 생성에 있어서 중요한 부분을 차지하는 테스트 커버리지를 고려하고 있지 않다. 제안하는 확장 기법은 테스트 커버리지를 향상시키기 위하여 테스트 목표 달성 율의 개념을 RRT 확장에 도입하여 테스트 목표를 더 달성할 수 있는 방향으로 RRT 확장을 유도 한다. 이를 위해서 테스트 목표 달성 율을 고려한 RRT 거리 함수와 RRT 무작위 노드 생성 방법, 그리고 변형된 RRT 확장 알고리즘을 제안한다. 제안된 기법의 유용성은 실제 자동차에서 사용되는 제어 ECU들의 Stateflow 모델을 이용한 실험을 통해 기존 RRT를 이용한 테스트 케이스 생성 기법과의 성능을 비교를 통해 보인다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제2권12호
• /
• pp.829-840
• /
• 2013

본 논문은 Simulink/Stateflow 모델 기반의 테스트 케이스를 자동으로 생성하기 위하여, 휴리스틱 입력 분석을 이용한 Rapidly-exploring Random Tree(RRT) 기법을 제안한다. RRT는 모델 기반 블랙박스 테스트 케이스 생성 시 반드시 해결해야 되는 도달 가능성 문제를 효율적으로 해결할 수 있는 방법이지만, 모델의 내부 상태와 테스트 목표를 고려하지 않고 무작위로 모델의 입력을 생성하기 때문에 테스트 케이스 생성 효율이 떨어지는 단점이 있다. 제안하는 기법에서는 RRT를 확장해나갈 때 필요한 입력을, 모델의 현재 상태에서 만족 할 수 있는 테스트 목표를 분석하고 이를 달성할 수 있는 모델의 입력을 분석 결과에 따라 휴리스틱하게 결정함으로써, RRT의 장점을 보존하면서, 테스트 케이스 생성 효율을 높일 수 있다. 제안된 기법은 자동차에 사용되는 실 부품 ECU의 Simulink/Stateflow 모델을 대상으로 한 실험을 통해 성능이 평가되었으며, 기존 RRT와 비교하여 테스트 케이스 생성 효율이 높은 것을 보였다.

• 제어로봇시스템학회논문지
• /
• 제22권3호
• /
• pp.192-198
• /
• 2016

Motion planning problem is still one of the important issues in robotic applications. In many real-time motion planning problems, it is advisable to find a feasible solution quickly and improve the found solution toward the optimal one before the previously-arranged motion plan ends. For such reasons, sampling-based approaches are becoming popular for real-time application. Especially the use of a rapidly exploring random $tree^*$ ($RRT^*$) algorithm is attractive in real-time application, because it is possible to approach an optimal solution by iterating itself. This paper presents a modified version of informed $RRT^*$ which is an extended version of $RRT^*$ to increase the rate of convergence to optimal solution by improving the sampling method of $RRT^*$. In online motion planning, the robot plans a path while simultaneously moving along the planned path. Therefore, the part of the path near the robot is less likely to be sampled extensively. For a better solution in online motion planning, we modified the sampling method of informed $RRT^*$ by combining with the sampling method to improve the path nearby robot. With comparison among basic $RRT^*$, informed $RRT^*$ and the proposed $RRT^*$ in online motion planning, the proposed $RRT^*$ showed the best result by representing the closest solution to optimum.

• 로봇학회논문지
• /
• 제13권2호
• /
• pp.142-149
• /
• 2018

$RRT^*$ (Rapidly exploring Random $Tree^*$) based algorithms are widely used for path planning. Informed $RRT^*$ uses $RRT^*$ for generating an initial path and optimizes the path by limiting sampling regions to the area around the initial path. $RRT^*$ algorithms have several limitations such as slow convergence speed, large memory requirements, and difficulties in finding paths when narrow aisles or doors exist. In this paper, we propose an algorithm to deal with these problems. The proposed algorithm applies the image skeletonization to the gridmap image for generating an initial path. Because this initial path is close to the optimal cost path even in the complex environments, the cost can converge to the optimum more quickly in the proposed algorithm than in the conventional Informed $RRT^*$. Also, we can reduce the number of nodes and memory requirement. The performance of the proposed algorithm is verified by comparison with the conventional Informed $RRT^*$ and Informed $RRT^*$ using initial path generated by $A^*$.

• 한국지능시스템학회:학술대회논문집
• /
• 한국퍼지및지능시스템학회 2006년도 춘계학술대회 학술발표 논문집 제16권 제1호
• /
• pp.223-226
• /
• 2006

매니퓰레이션 기술 중에서 경로 계획은 중요한 문제 중의 하나이다. RRT는 경로 계획 알고리즘으로 최근에 제안되었다. RRT는 기존 알고리즘보다 빠르게 장애물을 회피하여 경로를 계획할 수 있다. 기존의 경로 계획 알고리즘은 그 상황에 따라 반복적으로 경로 계획을 하였다. 이러한 점을 개선하기위해 RRT와 인간의 소뇌구조를 모방한 CMAC을 결합한 CMACRRT를 제안한다. CMAC은 RRT가 만들어낸 경로와 그 상황을 기억하여 유사한 상황에서 경로를 다시 사용할 수 있게 해준다. 이렇게해서서 CMAC을 통해 학습된 상황에서 RRT를 사용하지 않고 기존의 경로를 사용할 수 있게 된다.

• 제어로봇시스템학회논문지
• /
• 제21권3호
• /
• pp.257-264
• /
• 2015

This paper proposes an adaptive RRT (Rapidly-exploring Random Tree) for path planning of high DOF multibody robotic system. For an efficient path planning in high-dimensional configuration space, the proposed algorithm adaptively selects the robot bodies depending on the complexity of path planning. Then, the RRT grows only using the DOFs corresponding with the selected bodies. Since the RRT is extended in the configuration space with adaptive dimensionality, the RRT can grow in the lower dimensional configuration space. Thus the adaptive RRT method executes a faster path planning and smaller DOF for a robot. We implement our algorithm for path planning of 19 DOF robot, AMIRO. The results from our simulations show that the adaptive RRT-based path planner is more efficient than the basic RRT-based path planner.

• Journal of Information Processing Systems
• /
• 제16권6호
• /
• pp.1324-1342
• /
• 2020

Various modified algorithms of rapidly-exploring random tree (RRT) have been previously proposed. However, compared to the RRT algorithm for collision avoidance with global and static obstacles, it is not easy to find a collision avoidance and local path re-planning algorithm for dynamic obstacles based on the RRT algorithm. In this study, we propose boundary-RRT*, a novel-algorithm that can be applied to aerial vehicles for collision avoidance and path re-planning in a three-dimensional environment. The algorithm not only bounds the configuration space, but it also includes an implicit bias for the bounded configuration space. Therefore, it can create a path with a natural curvature without defining a bias function. Furthermore, the exploring space is reduced to a half-torus by combining it with simple right-of-way rules. When defining the distance as a cost, the proposed algorithm through numerical analysis shows that the standard deviation (σ) approaches 0 as the number of samples per unit time increases and the length of epsilon ε (maximum length of an edge in the tree) decreases. This means that a stable waypoint list can be generated using the proposed algorithm. Therefore, by increasing real-time performance through simple calculation and the boundary of the configuration space, the algorithm proved to be suitable for collision avoidance of aerial vehicles and replanning of local paths.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제5권12호
• /
• pp.653-662
• /
• 2016

본 논문에서는 경로탐색 분야에서 많이 사용되는 RRT 알고리즘을 기반으로 한 테스트 케이스 생성 알고리즘을 제안한다. RRT 알고리즘 성능에 영향을 주는 가장 중요한 요소는 RRT 공간 내 노드 사이의 거리를 계산하는 거리 함수이다. Simulink/Stateflow (SL/SF) 모델의 테스트 케이스는 모델의 특정 상태에서 특정한 조건(본 논문에서 테스트 타겟이라 명명함)을 검사하기 위해 필요한 입력 시퀀스이기 때문에, 특정 조건을 검사하기 위해서는 먼저 모델을 특정 상태로 이끌어가는 것이 필요하다. 여기서 모델의 상태는 RRT의 노드로 표현된다. 일반적으로 어느 한 상태의 경우 다수의 조건을 검사할 필요가 있다. 예를 들어, 모델의 특정 상태가 다수의 전이가 발생 가능한 SL/SF model의 한 상태로 표현될 때, 전이 커버리지를 측정하기 위해서는 반드시 다수의 조건을 모두 검사해야 한다. 본 논문에서는 테스트 타겟들이 키 노드라 불리는 SL/SF 상태로 표현되는 특정 상태에서 다수 발견되는 점에 착안해서 만든 거리 계산 함수를 제안한다. 제안된 거리 함수는 키 노드가 아닌 노드에 페널티를 부과해서 RRT가 키 노드로부터 확장될 확률을 증가시킨다. 본 논문에서는 제안된 거리 함수를 이용한 테스트 케이스 생성 알고리즘을 제안한다. 성능 평가를 위해 상업용 자동차에 들어가는 3가지 전자제어장치 모델이 사용된다. 제안된 테스트 케이스 생성 알고리즘의 성능은 페널티 측면에서 평가되고 기존의 RRT 알고리즘을 사용한 테스트 케이스 생성 알고리즘의 성능과 비교한다.