• 전기전자학회논문지
• /
• 제27권1호
• /
• pp.1-11
• /
• 2023

자율주행 자동차 또는 자율주행 로봇의 개발을 위해서는 경로 주행 시험이 필요하다. 이러한 시험은 실제 환경뿐만 아니라 시뮬레이션 환경에서도 수행되고 있다. 특히 강화학습과 딥러닝을 이용한 개발을 위해서 다양한 환경의 데이터가 필요한 경우에 시뮬레이터를 통한 개발도 이루어지고 있다. 이를 위해서는 수작업으로 설계된 경로뿐만 아니라 무작위로 자동으로 설계된 다양한 경로의 활용이 필요하다. 이러한 시험장 설계는 실제 건설, 제작에도 활용할 수 있다. 본 논문에서는 원호와 선분의 조합으로 이루어진 주행 시험 경로를 무작위로 생성하는 방법을 소개한다. 이는 원호와 선분의 거리를 구하여 충돌 여부를 판별하는 방법과 경로를 계속해서 이어 나가는 것이 불가능할 경우 경로 일부를 삭제하고 적절한 경로를 다시 만들어 나가는 알고리듬으로 이루어진다.

• 문화기술의 융합
• /
• 제9권3호
• /
• pp.677-682
• /
• 2023

인간형 로봇을 구동하기 위해서 로봇 내부에는 많은 수의 모터와 센서가 사용된다. 다수의 구동기를 연결할 때 생기는 배선의 문제를 해결하기 위해 통신 네트워크에 기반한 제어기를 사용해왔는데 구성 비용면에서 유리하고, 신뢰성이 높은 통신 프로토콜인 CAN이 주로 사용되었다. 제어기의 구조 측면에서 상위 제어기에 알고리즘을 탑재하기 쉬운 속도 제어형 구조가 선호되고 있는데, 이때 CAN의 낮은 통신 대역폭이 문제가 되며, 충분한 통신 대역폭을 얻기 위해 이전에는 다수의 CAN 네트워크로 분리해서 통신망을 구성하였다. 본 논문에서는 높은 통신 대역폭을 얻기 위해 고속의 FlexRay와 저속의 CAN 통신망이 계층적으로 연결된 다중 모터 제어 시스템에 대해 전송시간 지연에 대한 안정도 분석을 수행하고 허용된 전송시간 내에 센서 정보와 구동 신호를 전달하기 위한 게이트웨이의 구성과 노드 할당 방법에 관하여 연구한다. 제안된 계층적 네트워크 기반 제어시스템은 다중 모터제어 시스템의 제어성능을 높이고 안정도를 확보하는 데 이바지할 수 있을 것으로 기대한다.

• 드라이브 ㆍ 컨트롤
• /
• 제20권4호
• /
• pp.1-8
• /
• 2023

In recent years, robots have been utilized in various industries to reduce workload and enhance work efficiency. The following mobility offers users convenience by autonomously tracking specific locations and targets without the need for additional equipment such as forklifts or carts. In this paper, deep learning techniques were employed to recognize individuals and assign each of them a unique identifier to enable the recognition of a specific person even among multiple individuals. To achieve this, the distance and angle between the robot and the targeted individual are transmitted to respective controllers. Furthermore, this study explored the control methodology for mobility that tracks a specific person, utilizing Simultaneous Localization and Mapping (SLAM) and Proportional-Integral-Derivative (PID) control techniques. In the PID control method, a genetic algorithm is employed to extract the optimal gain value, subsequently evaluating PID performance through simulation. The SLAM method involves generating a map by synchronizing data from a 2D LiDAR and a depth camera using Real-Time Appearance-Based Mapping (RTAB-MAP). Experiments are conducted to compare and analyze the performance of the two control methods, visualizing the paths of both the human and the following mobility.

• 전자공학회논문지
• /
• 제51권4호
• /
• pp.144-159
• /
• 2014

다중의 영상을 이용하여 하나의 파노라마 영상을 제작하는 기법은 컴퓨터 비전, 컴퓨터 그래픽스 등과 같은 여러 분야에서 널리 연구되고 있다. 파노라마 영상은 하나의 카메라에서 얻을 수 있는 영상의 한계, 즉 예를 들어 화각, 화질, 정보량 등의 한계를 극복할 수 있는 좋은 방법으로서 가상현실, 로봇비전 등과 같이 광각의 영상이 요구되는 다양한 분야에서 응용될 수 있다. 파노라마 영상은 단일 영상과 비교하여 보다 큰 몰입감을 제공한다는 점에서 큰 의미를 갖는다. 현재 다양한 파노라마 영상 제작 기법들이 존재하지만, 대부분의 기법들이 공통적으로 파노라마 영상을 구성할 때 각 영상에 존재하는 특징점 및 대응점을 검출하는 방식을 사용하고 있다. 또한, 대응점을 이용한 RANSAC(RANdom SAmple Consensus) 알고리즘을 사용, Homography Matrix를 구하여 영상을 변환하는 방법을 사용한다. 본 논문에서 사용한 SURF(Speeded Up Robust Features) 알고리즘은 영상의 특징점을 검출할 때 영상의 흑백정보와 지역 공간 정보를 활용하는데, 영상의 크기 변화와 시점 검출에 강하며 SIFT(Scale Invariant Features Transform) 알고리즘에 비해 속도가 빠르다는 장점이 있어서 널리 사용되고 있다. SURF 알고리즘은 대응점 검출 시 잘못된 대응점을 검출하는 경우가 생긴다는 단점이 존재하는데 이는 RANSAC 알고리즘의 수행속도를 늦추며, 그로인해 CPU 사용 점유율을 높이기도 한다. 대응점 검출 오류는 파노라마 영상의 정확성 및 선명성을 떨어뜨리는 핵심 요인이 된다. 본 논문에서는 이러한 대응점 검출의 오류를 최소화하기 위하여 대응점 좌표 주변 $3{\times}3$ 영역의 RGB값을 사용하여 잘못된 대응점들을 제거하는 중간 필터링 과정을 수행하고, 문제해결을 시도하는 동시에 파노라마 이미지구성 처리 속도 및 CPU 사용 점유율 등의 성능 향상 결과와 추출된 대응점 감소율, 정확도 등과 관련한 분석 및 평가 결과를 제시하였다.

• 전자공학회논문지SC
• /
• 제42권1호
• /
• pp.1-11
• /
• 2005

본 연구에서는 다양한 재료의 시트(Sheet)를 각각 절단하여 적층하는 방법으로 기존 적층조형법과는 다른 쾌속 임의형상제작 시스템인 CAFL/sup VM/(Computer Aided Fabrication of Lamination for Various Material)을 제안한다. 이러한 조형 방법은 가공 속도를 빠르게 하며 복잡한 후처리 과정을윽 대폭 줄일 수 있고, 여러 가지 재료가 사용 가능한 장점을 지니고 있다. 이러한 목적으로 개발된 2자유도의 X-Y테이블 형태의 CAFL/sup VM/은 레이저빔으로 시트(Sheet)를 절단, 적층하여 조형물을 완성하는 새로운 고속적층 시스템으로 가능성을 검증하였다. 하지만 2자유도 시스템은 X-Y 평면을 이동하는 작업공간에 수직으로 레이저 가공이 이루어지는 방법으로, 조형된 사물의 표면에 계단 형상이 나타나는 표면정밀도상의 문제점을 드러낸다. 이러한 문제점을 해결하고자 2자유도에 3자유도를 추가한 5자유도 시스템을 제안하여 레이저의 경사절단이 가능하게 함으로서 조형된 사물의 표면 정밀도를 높이고, 일정한 패턴의 모양을 갖는 조형물 가공의 경우 여러 시트(Sheet)가 적층되는 부분을 한번에 가공할 수 있도록 하여 보다 빠르고 정밀한 5자유도 매니퓰레이터 CAFL/sup VM/ 시스템을 설계한다. 즉, 정속경로제어와 경사각절단제어를 구현하고 그 외에 수반된 자동화 CAFL/sup VM/ 시스템을 구현하는 것이 본 논문의 목적이다.

• 전자공학회논문지SC
• /
• 제40권2호
• /
• pp.1-9
• /
• 2003

본 논문에서는 ASC(Area Scan Camera)를 이용한 비젼시스템과 belt type xy-table을 사용하여 metal mask의 홀 생성유무 검사시스템을 개발하고, 적용할 수 있는 알고리즘을 소개한다. Metal mask의 전체 영역을 일정한 크기의 검사영역으로 분할한다. 각각의 검사영역의 크기는 ASC의 FOV(Field of View)와 동일하다. 이때 belt type xy-table에서 발생하는 위치오차를 고려하여 일정영역을 중첩하여 분할한다. 검사블록에 대한 카메라이미지는 gerber 파일을 이용하여 생성한 기준이미지와 비교된다. 검사장치에 장착된 metal mask의 회전각도를 계산하기 위하여 존재하는 가장 큰 홀에 대한 카메라이미지를 획득하고, 홀의 수평 에지를 추출한 후 직선의 방정식을 이용한다. Belt type xy-table의 backslash와 같은 기계적 결함에 의해 기준 이미지와 카메라이미지에 존재하는 홀 사이에는 위치오차가 존재한다. 두 이미지를 일치시키기 위해 각 이미지에 존재하는 홀의 무게중심점을 이용한 HT(Hough-Transform)을 사용하여 위치오차정보를 추출하고, 기준이미지의 중심점을 이동시킨다. 각각의 이미지에 존재하는 홀에 대한 무게중심점, 면적, 가로길이, 세로길이 등의 정보를 레이블링을 통하여 구한다. 두 이미지에 존재하는 홀의 무게중심점과 면적을 이용하여 홀의 생성 유무를 판단한다. 그리고 실제로 시스템을 제작하여 위 알고리즘을 적용한다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제7권4호
• /
• pp.129-134
• /
• 2018

최근, 인공신경망 모델은 예측, 수치제어, 로봇제어, 패턴인식 등의 분야에서 촉망되는 기술이다. 본 연구에서는 인공신경망 모델을 이용하여 온실 외부 온도를 예측하고 이를 온실제어에 활용하는데 목적이 있다. 예측 모델의 성능 평가를 위해 다중회귀모델과 SVM 모델과의 비교분석을 수행하였다. 평가 방법으로는 10-Fold Cross Validation을 사용하였으며, 예측 성능 향상을 위해 상관관계분석 통해 데이터 축소를 수행하였고, 측정 데이터로부터 새로운 Factor 추출하여 데이터의 신뢰성을 확보하였다. 인공신경망 구축을 위해 Backpropagation algorithm을 사용하였으며, 다중회귀모델은 M5 method로 구축하였고, SVM 모델을 epsilon-SVM으로 구축하였다. 각 모델의 비교분석 결과 각각 0.9256, 1.8503과 7.5521로 나타났다. 또한 예측모델을 온실 난방부하 계산에 적용함으로써 온실에 사용되는 에너지 비용 절감을 통한 수입증대에 기여할 수 있다. 실험한 온실의 난방부하는 3326.4kcal/h이며, 총 난방시간이 $10000^{\circ}C/h$일 때 연료소비량은 453.8L로 예측된다. 아울러 데이터 마이닝 기술 중 하나인 인공신경망을 정밀온실제어, 재배기법, 수확예측 등 다양한 농업 분야에 적용함으로써 스마트 농업으로의 발전에 기여할 수 있다.

• 지능정보연구
• /
• 제22권4호
• /
• pp.177-192
• /
• 2016

기계학습(Machine Learning)은 인공 지능의 한 분야로, 데이터를 이용하여 기계를 학습시켜 기계 스스로가 데이터 분석 및 예측을 하게 만드는 것과 관련한 컴퓨터 과학의 한 영역을 일컫는다. 그중에서 SVM(Support Vector Machines)은 주로 분류와 회귀 분석을 목적으로 사용되는 모델이다. 어느 두 집단에 속한 데이터들에 대한 정보를 얻었을 때, SVM 모델은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 집단에 속할지를 판단해준다. 최근 들어서 많은 금융전문가는 기계학습과 막대한 데이터가 존재하는 금융 분야와의 접목 가능성을 보며 기계학습에 집중하고 있다. 그러면서 각 금융사는 고도화된 알고리즘과 빅데이터를 통해 여러 금융업무 수행이 가능한 로봇(Robot)과 투자전문가(Advisor)의 합성어인 로보어드바이저(Robo-Advisor) 서비스를 발 빠르게 제공하기 시작했다. 따라서 현재의 금융 동향을 고려하여 본 연구에서는 기계학습 방법의 하나인 SVM을 활용하여 매매성과를 올리는 방법에 대해 제안하고자 한다. SVM을 통한 예측대상은 한국형 변동성지수인 VKOSPI이다. VKOSPI는 금융파생상품의 한 종류인 옵션의 가격에 영향을 미친다. VKOSPI는 흔히 말하는 변동성과 같고 VKOSPI 값은 옵션의 종류와 관계없이 옵션 가격과 정비례하는 특성이 있다. 그러므로 VKOSPI의 정확한 예측은 옵션 매매에서의 수익을 낼 수 있는 중요한 요소 중 하나이다. 지금까지 기계학습을 기반으로 한 VKOSPI의 예측을 다룬 연구는 없었다. 본 연구에서는 SVM을 통해 일 중의 VKOSPI를 예측하였고, 예측 내용을 바탕으로 옵션 매매에 대한 적용 가능 여부를 실험하였으며 실제로 향상된 매매 성과가 나타남을 증명하였다.

• 대한토목학회논문집
• /
• 제33권1호
• /
• pp.363-375
• /
• 2013

오늘날 숙련된 굴삭기 운전자의 부족현상은 갈수록 심화되고 있으며, 자원개발 및 새로운 생활공간 창출 등을 목적으로 운전자가 접근하기 어려운 극한환경에서 토공작업의 필요성이 증가함에 따라 전 세계적으로 토공완전자동화를 위한 무인화 굴삭로봇 개발의 노력이 경주되고 있다. 국내에서도 지난 2006년 말부터 국토해양부 건설기술혁신사업의 일환으로 '지능형 굴삭시스템' 연구단을 구성하여 연구를 지속하고 있다. 본 논문에서는 지능형 굴삭시스템의 작업계획생성시스템이 갖추어야 할 세부요소기술 중, 굴착작업의 위치, 범위, 목표, 순차 등 굴삭로봇의 운용단위 작업명령정보를 생성하기 위한 정보화단위를 제공하는 로컬영역설계모듈의 연구개발내용에 대하여 설명한다. 로컬영역의 설계는 굴삭로봇의 제원, 작업메커니즘, 휴리스틱 및 구조적안전성 등 여러 영향요소가 고려되어야 안전하고 효율적인 굴착작업을 보장하는 작업계획을 생성할 수 있다. 따라서 로컬영역의 설계요소를 분석하기 위하여 현장조사를 통한 개념적 설계를 수행하고, 상세설계를 통해 설계변수를 도출하였으며, 휴리스틱 및 구조적 해석요건을 만족하도록 설계내용을 정량화하였다. 마지막으로 로컬영역설계모듈을 개발하기 위한 알고리즘을 구축하고, 개발된 모듈을 검증하였다.

• 한국농업기계학회:학술대회논문집
• /
• 한국농업기계학회 2017년도 춘계공동학술대회
• /
• pp.37-38
• /
• 2017

최근 방제 및 예찰과 같은 농작업에 단일 UAV(Unmanned Aerial Vehicle)시스템이 적용되고 있지만, 가반하중과 체공시간 등 기존시스템의 문제가 점차 대두되면서 작업 시간을 보다 단축시키고 작업 효율을 극대화 할 수 있는 농업용 멀티 UAV시스템의 필요성이 증대되고 있다. 본 논문에서는 작업자가 다수의 농업용 UAV를 효과적으로 제어할 수 있는 분산군집제어 알고리즘을 제안하며 알고리즘 검증 및 평가를 위한 시뮬레이터를 소개한다. 분산군집제어는 UAV 제어 계층, VP(Virtual Point) 제어 계층, 원격제어 계층으로 이루어진 3계층 제어구조를 가진다. UAV 제어 계층에서 각 UAV는 point mass로 모델링 되는 VP의 이상적인 경로를 추종하도록 제어한다. VP 제어 계층에서 각 VP는 입력 $p_i(t)=u^c_i+u^o_i+u^{co}_i+u^h_i$-(1)을 받아 제어되는데 여기서, $u^c_i{\in}{\mathbb{R}}^3$는 VP 사이의 충돌방지제어, $u^o_i{\in}{\mathbb{R}}^3$는 장애물과의 충돌방지제어, $u^{co}_i{\in}{\mathbb{R}}^3$는 UAV 상호간의 협조제어, $u^h_i{\in}{\mathbb{R}}^3$는 작업자로부터의 원격제어명령이다. (1)의 제어입력에서 충돌방지제어는 각 $u^i_c:=-{\sum\limits_{j{\in}{\eta}_i}}{\frac {{\partial}{\phi}_{ij}^c({\parallel}p_i-p_j{\parallel})^T}{{\partial}p_i}}$-(2), $u^o_c:=-{\sum\limits_{r{\in}O_i}}{\frac {{\partial}{\phi}_{ir}^o({\parallel}p_i-p^o_r{\parallel})^T}{{\partial}p_i}}$-(3)로 정의되면 ${\phi}^c_{ij}$와 ${\phi}^o_{ir}$는 포텐셜 함수를 나타낸다. 원격제어 계층에서 작업자는 햅틱 인터페이스를 통해 VP의 속도를 제어하게 된다. 이때 스케일변수 ${\lambda}$에 대하여 VP의 원격제어명령은 $u^t_i(t)={\lambda}q(t)$로 정의한다. UAV 시뮬레이터는 리눅스 환경에서 ROS(Robot Operating Systems)를 기반한 3차원 시뮬레이터인 Gazebo상에 구축하였으며, 마스터와 슬레이브 간의 제어 명령은 TCPROS를 통해 서로 주고받는다. UAV는 PX4 기반의 3DR Solo 모델을 사용하였으며 MAVROS를 통해 MAVLink 통신 프로토콜에 접속하여 UAV의 고도, 속도 및 가속도 등의 상태정보를 받을 수 있다. 현재 멀티 드론 시스템을 Gazebo 환경에 구축하였으며, 추후 시뮬레이터 상에 분산군집제어 알고리즘을 구현하여 검증 및 평가를 진행하고자 한다.