경험기반의 로봇 위치추정과 지도 작성을 위한 베이지안 예측 모델

Abstract

자율주행을 수행하는 대부분의 모바일 로봇은 환경변화가 심한 동적공간에서도 장기간 동작할 수 있어야 한다. 로봇 자율주행을 위해서는 SLAM(Simultaneous Localization and Mapping)기술이 반드시 필요하며, SLAM은 로보틱스 연구 분야에서도 활발하게 연구되어 지는 분야이다. 최근 관련연구는 동적 환경에서도 강인한 특징점들을 추출하여 지도를 작성하는 연구가 진행되고 있으며, 최적화 기법을 통해 지도의 정밀도를 향상시키는 방법에 대한 연구개발이 활발하게 이루어지고 있다. 하지만 초기에 작성된 지도를 기반으로 로봇이 장기간 주행을 하면 시간이 지난 후 변화된 환경에 적응하기 힘들어 주행성능에 문제를 일으킬 수 있다. 동적 공간에서 장기간 주행을 위해서는 시간에 따른 환경변화를 기존에 학습한 지도에 반영할 수 있어야 한다. 즉, 변화가 일어나는 공간의 정보를 획득하고, 관리하여 새로운 공간정보를 지도에 업데이트하는 동시에 오래된 공간정보를 삭제할 것인지에 대해 판단이 필요하다. 본 논문에서는 장기간 주행을 위한 Life-long SLAM 시스템을 구성하고 제안한다. 로봇은 끊임없이 변화가 일어나는 환경에서 장기간 주행 중 구조적 변화가 크게 생긴 지역이 있으면 이전에 학습한 경험(Experience)에서 회상을 한다. 경험이란 로봇이 주행 중 획득한 라이다 센서 및 로봇의 주행 기록 데이터를 의미한다. 이때, 학습한 경험에서 회상을 할 수 없다고 판단할시 새로운 경험이라 분류하여 경험 메모리(Experience Memory)에 저장된다. 동시에 로봇은 주기적으로 주행 중에 획득한 경험을 비교, 추정하며 현재 위치에서 다음 위치로 이동했을 때 추천된 경험을 기반으로 실패 없는 위치추정을 시도한다. 제안한 방법으로 환경변화가 있는 공간에서 장시간 주행을 수행하면 변화된 공간을 기억하고, 회상하여 보다 정확한 자율주행이 가능함을 실험을 통해 검증하였다. 실험결과에서는 제안된 방법으로 장기간 주행하여 획득한 위치 추정 데이터를 비교하고 평가한 결과를 제시하였다. 초기에 작성한 지도와 추천된 경험에 의해 업데이트된 지도를 기반으로 장기간 주행하여 획득한 위치 데이터를 분석한 결과, 제안한 방법이 변화가 큰 공간에서 위치추정의 불확실성을 줄이고 주행성능을 높여주는 결과를 보였다.