9조
cdc wiki
프로젝트 개요
기술개발 과제
국문 : 드론에 응용가능한 SLAM 알고리즘을 이용한 3D 지형 추출 기술
영문 : 3D terrain extraction techniques using SLAM algorithms applicable to drones
과제 팀명
9조
지도교수
김성환 교수님
개발기간
2018년 3월 ~ 2018년 6월 (총 4개월)
구성원 소개
서울시립대학교 컴퓨터과학부 2015920001 곽민우(팀장)
서울시립대학교 컴퓨터과학부 2015920006 김동권
서론
개발 과제의 개요
개발 과제 요약
드론에 적용가능한 SLAM 알고리즘 및 응용 기술
개발 과제의 배경
- 최근에는 드론이 4차 산업혁명을 주도할 핵심 동력으로 기존 군사 및 정찰 목적용 드론 산업에서 통신, 물류, 농업, 엔터테인먼트 등 다양한 산업으로의 활용 가치가 확대되고 있는 만큼 드론 관련 기술 또한 중요해지고 있다.
- 우선적으로 드론에 위치와 지형을 인식시켜 드론 같은 소형 무인 비행기의 자동 운전을 용이하게 할 수 있다. 또한 지형을 따로 추출하여 다양한 분야에 이용할 수 있다. 예를 들면 전시관이나 기업에서 지형 추출을 사용해 영화 또는 VR 등에 사용할 수 있는 가상공간의 모델을 쉽게 구현할 수 있다.
개발 과제의 목표 및 내용
- SLAM(Simultaneous Localization and Mapping) 알고리즘과 모노 카메라를 사용하는 드론을 이용하여 주변 3D 지형을 추출할 수 있는 기술 및 응용 기술을 개발하기로 한다.
- 로봇 청소기같이 공중에 뜨지 못하는 지상의 로봇에서 사용했던 지형 추출 기술에서 좀 더 나아가 지상의 로봇이 보지 못하는 공간까지 맵핑 할 수 있는 3D 지형 추출 기술을 드론을 활용하여 개발하기로 한다.
- 초음파 센서 등을 이용할 경우 적합하지 않은 환경(예를 들면 흙)에서는 여러 오류가 발생할 수 있으므로 이를 보완하기 위해 모노 카메라로 촬영한 영상을 기반으로 하여 해당 기술을 개발하기로 한다.
관련 기술의 현황
관련 기술의 현황 및 분석(State of art)
- 기술 로드맵
- 천장 지향 모노카메라 기반 SLAM: 실내공간에서 천장 지향 카메라를 사용하면 로봇의 이동에 따라 특징과 카메라 사이의 거리와 카메라의 방향이 변화하지 않으므로 특징의 스케일, 어파인 변화를 고려하지 않아도 된다. 또한 로봇 주변의 사람과 같은 동적 장애물이 카메라의 시야를 방해하지 않아 지속적인 SLAM이 가능하다. 그리고 일반적으로 천장의 높이는 제한적이므로 지연 없는 특징 초기화가 가능하다. 그러나 환경에 따라 특징 개수가 부족한 경우가 있다. 특징이 부족하면 위치오차가 누적되어 필터가 발산할 위험이 커지게 된다. 다른 방법들에 비해 상대적으로 연산량이 적어 저사양의 임베디드 시스템에서 동작 가능하므로, 청소로봇 등의 로봇에 탑재되어 성공적으로 상용화되었다.
- EKF-SLAM: EKF-SLAM은 정보를 평균과 공분산을 이용하여 나타내며, 공분산 행렬을 갱신하는 과정에 많은 연산이 필요하다. 그러나 항상 로봇 위치와 특징지도에 대한 가장 좋은 추정치를 유지한다. 특징의 개수가 N이라고 할 때 EKF의 연산량은 O(N^2)으로 나타낼 수 있다. 따라서 특징의 개수가 증가할 때 연산량은 기하급수적으로 증가하여 넓은 환경에서 많은 개수의 특징으로 실시간 SLAM을 수행하는데 어려움이 있다. 이러한 문제를 해결하기 위하여 EKF로 부분지도를 작성하여 통합하는 방법들이 제시되었다.
- FastSLAM: Particle Filter로 로봇의 위치를 추정하고 EKF로 특징지도를 작성하는 방법샘플/특징의 개수가 각각 M/N개일 경우 필터 갱신에 O(MlogN)의 시간이 소요된다. 일반적인 Kalman Filter 기반의 방법이 O(N^2)의 복잡도를 갖는 것과 비교하면 상당히 적은 연산량으로 SLAM을 수행할 수 있다.
- Graph 기반 SLAM: Graph 기반의 SLAM (이하 GraphSLAM)은 로봇이 지나간 지점 또는 특징 위치를 노드로 표시하고, 센서정보로부터 노드와 노드 사이의 구속조건을 에지(edge)로 정의하여 graph를 작성하며, 전체 graph를 최적화하여 누적된 오차를 최소화하는 방법이다. 그러나 상대적으로 높은 복잡도를 갖는 오차 최소화 문제를 해결하는데 어려움을 겪어 GraphSLAM 이 주요 이슈로 급부상하기까지 몇 년이 소요되었다. GraphSLAM은 정보를 누적하여 한꺼번에 graph의 최적화 문제를 해결한다. 정보를 누적하는 동안에는 로봇의 위치오차가 증가하지만, 수집한 모든 정보에 가장 최적인 추정치를 제공해주므로 EKF로 작성된 지도보다 정확한 지도를 작성할 수 있다.
개발과제의 기대효과
기술적 기대효과
- 드론에 위치와 지형을 인식시켜 드론 같은 소형 무인 비행기의 자동 운전을 용이하게 할 수 있다. 또한 SLAM 기술 개선을 통해 자율주행 드론들의 장애물 인식 능력이 높아진다면 그에 따른 SLAM을 이용한 자율주행 드론들의 사고율도 감소할 것이다.
경제적, 사회적 기대 및 파급효과
- 지형을 따로 추출하여 다양한 분야에 이용할 수 있다. 예를 들면 전시관이나 기업에서 지형 추출을 사용해 영화 또는 VR 등에 사용할 수 있는 가상공간의 모델을 쉽게 구현할 수 있다.
- 흙과 같이 초음파 센서를 사용하기 힘든 농업 환경 등에서 이미지 인식을 기반으로 하는 SLAM을 개발한다면 해당 기술을 농업용 드론에도 적용할 수 있을 것이다.
기술개발 일정 및 추진체계
개발 일정
구성원 및 추진체계
- 팀이 두 명만으로 구성되었기 때문에 완전히 추진체계를 세분하는 것은 의미가 없을 것으로 여겼고 각각 코드 구현과 산출물 관리에 있어서 책임자를 맡아 해당 분야에서 의견 대립으로 인한 갈등이 생겼을 때 책임자의 의견에 따르는 방식으로 위험을 회피할 수 있도록 결정하였다.
설계
설계사양
제품의 요구사항
내용
설계 사양
내용
개념설계안
내용
이론적 계산 및 시뮬레이션
내용
상세설계 내용
내용
결과 및 평가
완료 작품의 소개
프로토타입 사진 혹은 작동 장면
내용
포스터
내용
관련사업비 내역서
내용
완료작품의 평가
내용
향후계획
내용
특허 출원 내용
내용
