For autonomous operation of mobile robots, intelligent sensor systems are need to recognize environments, and map building (recognition of environment and maintenance of information) is a very basic and important process. Various sensors can be used such as vision, ultrasonic sensors, laser or infrared range finders. Among them, ultrasonic transducers are most widely used due to their low cost and simplicity.
In majority of applications, ultrasonic transducers are used to measure time-of-flight (TOF) of the first echo to obtain the distance, given the speed of sound in air. It provides simple but accurate range information between sensor and reflector. Despite their simple and accurate range measurement, use of ultrasonic transducers in map building is plagued by a few shortcomings like directional ambiguity due to an acoustical beam width, erroneous measurements by specular or multiple reflections, and limited sensing speed by crosstalk and speed of sound. There have been many researches to solve these. However, most previous works have common limits like the requirement of enough multiple measurements and the indirect use of amplitude-of-signal (AOS) by a simple comparison of its magnitude.
In this thesis, we present a feature-based probabilistic map building algorithm which directly utilizes time and amplitude information of sonar in indoor environments. Utilizing additional amplitude-of-signal (AOS) obtained concurrently with time-of-flight (TOF), the amount of inclination of target can be directly calculated from a single echo, and the number of measurements can be greatly reduced with result similar to dense scanning. Consequently, the scanning speed is increased by reduction of scanning. In the first place, to use AOS directly, we propose a AOS model considering both attenuation factors not only dispersion, but also air absorption. Using this model, a reference amplitude is defined for a target, and AOS can be predicted with the variation of range and angle. Experimental results are well matched with this model.
With this improved AOS model in addition to the traditional TOF model, the magnitude of oblique angle between a sensor and a target can be directly obtained. However, from a single measurement, it is almost impossible to discriminate the sign of angle and the type of target. Hence, we introduce a target group which contains multiple hypothesized targets initiated from the same measurement. Each of hypothesized targets has a existence probability to express its correctness, and one of them must be true. Since the set of hypotheses is not a whole map but a small one composed by a few targets, it is simpler to use than other resemble methods.
At every iterations, according to the matching results between real and predicted measurements based on the target in a map, three kinds of operations are performed, such as adding a new target group into a map, updating the location and probability of previous targets, and reducing the probability of wrong targets. As tools to manage targets, we use extended Kalman filter (EKF) and Bayesian conditional probability (BCP) to get the advantages both from feature and grid based map, such as the accuracy of featured target and the ability to manage implicit data.
For efficient and accurate measurements, we made an ultrasonic ranging board for a PC which has a peak-detector in front of A/D converter. By using peak-detector, the required sampling frequency is lowered, and consequently it decrease the burden of computing like the convolution in matched filter. Using TOF and AOS measured from this, experiments are performed in a real environment, and the number of measurements can be greatly reduced with result similar to dense scanning. Also, it is possible to select targets which have a proper existence probability.
Finally, the proposed method utilizes both TOF and AOS directly, and consequently, in addition to range, directional information is directly obtained. As a result, fast recognition about environments is possible. By using the target group with EKF and BCP, it is possible to achieve not only accurate measurement of target location, but also proper management even for intrinsically indistinguishable case by a specific sensing path. In the proposed method there is no specific requirement for sensing path, and the map can be managed without discriminating dense or sparse scanning. Therefore, it will be useful as a basis framework for the adaptive sensing path which varies its sensing step depending on a certain state of robot, instead of a static sensing path.
자유롭게 이동하며 비반복적인 일을 수행하는 이동 로봇을 위해서는 구동 장치 외에 인텔리전트한 측정장치의 역할이 중요하며, 이를 위해 측정된 정보를 통합, 유지하여 하나의 맵으로 표현하고 관리하는 Map Building또한 가장 기본적이면서도 중요한 처리 과정으로써의 의미를 지니게 된다. 이러한 Map Building을 위해 초음파, 비전, 레이져 등의 여러 센서가 사용되지만 그 중에서도 상대적으로 저렴한 가격과 간단한 구조로 인하여 초음파 센서가 널리 사용되고 있다.
일반적으로 초음파 센서는 음파가 물체에 반사되어 돌아오는데 걸리는 반사시간(TOF, Time-Of-Flight)을 측정함으로써, 간단하면서도 비교적 정확한 거리 정보를 제공한다는 장점을 지니고 있지만, 초음파 빔 폭으로 인한 각도 정보의 모호성, 전반사 또는 다반사로 인한 측정의 오류, 음파의 속도로 인한 전체 측정 속도의 제약 등과 같은 단점들을 보이고 있다. 이러한 단점을 해결하기 위한 많은 방법들이 제안되었지만, 기존의 방법들은 여러 번의 측정을 반드시 요구한다는 점과, 음파크기(AOS, Amplitude-Of-Signal)를 대소 비교 등의 간접적인 방법으로 밖에 이용하지 못했다는 한계를 공통적으로 지니고 있다.
이에 반해 본 논문에서는 TOF외에 AOS를 직접적으로 이용함으로써 여러 번의 측정을 하지 않고도 각 측정으로부터 각도정보를 직접적으로 추출하여, 기존의 방법들보다 적은 측정 횟수로도 유사한 결과를 얻는 방법을 제안한다. 우선, AOS를 측정치로부터 직접적으로 이용하기 위하여, 거리가 멀어짐에 따라서 음파가 공기 중에 퍼지는 성질과 공기의 점성으로 인하여 흡수되는 성질 두 가지를 모두 고려한 AOS모델을 제안하였다. 제안된 모델을 이용함으로써 각 반사체에 따른 기준음파크기를 정의하고 이것을 이용하여 거리와 각도가 변할 때에 따른 음파크기의 변화를 예측할 수 있으며, 실제와 일치함을 실험을 통하여 확인하였다.
이러한 개선된 AOS 모델과 기존의 TOF 모델을 이용하면 각 측정치로부터 반사체와 센서사이의 각도의 크기를 직접적으로 얻을 수 있지만, 각도의 부호와 반사체의 종류를 판별할 수 없는 문제점이 남아 있게 된다. 이러한 문제를 해결하기 위하여 한 측정치의 원인이 될 수 있는 반사체(Target)들에 대한 가정을 하나의 집합(Target Group)으로 묶어서, 그 안의 각 Target들에 대한 가정이 맞을 정도를 확률적으로 표현하는 구조를 이용하였다. 가정의 집합이 전체 맵이 아닌 몇 개의 Target들로 이루어진 작은 집합이므로 기존의 유사한 다른 방법들보다 실제 적용하는데 있어서 간단하다는 장점을 지니게 된다.
매 측정주기마다 이전 맵으로부터 예측된 측정값과 센서를 통해서 실제 얻어진 측정값을 비교하는 과정을 통하여 새로운 Target Group을 맵에 추가하거나, 이전 Target들의 위치와 확률을 보정하거나, 잘못 가정된 Target의 확률을 감소시키는 작업들을 반복하게 된다. 이러한 과정을 처리하는 주된 도구로서 Extended Kalman Filter(EKF)와Bayesian Conditional Probability(BCP)를 사용함으로써, Feature map의 정확성과 Grid map의 불완전한 데이터를 처리하는 장점을 동시에 가지에 된다.
TOF와 AOS의 효율적이고 정확한 측정을 위해 기존의 상용보드 대신 Peak Detector를 A/D Converter앞단에 부착한 PC용의 측정보드를 자체 제작하여 이용함으로써 신호의 샘플링 주기와 정합필터(Matched Filter)의 계산량을 감소시켰다. 이렇게 얻은 TOF와 AOS를 이용하여 실제 복도 환경에서의 실험을 하였으며, 약 10분의 1로 크게 줄은 측정횟수로도 조밀하게 측정한 경우와 거의 유사한 위치 측정 결과를 보여준다. 또한, 각 Target들이 확률적으로 표현되었기 때문에 적절한 신뢰도를 지닌 결과들을 임의로 선택하는 것이 가능하다.
결론적으로 제안한 방법은 TOF와 AOS를 모두 직접적으로 이용함으로써 거리 정보 외에 각도정보를 각 측정으로부터 바로 얻고 그 결과 주변 환경에 대해 빠른 인식이 가능하며, Target Group을 EKF와 BCP를 이용하여 처리함으로써 정확한 위치 측정이 가능한 동시에 불완전한 측정이 이루어진 경우에도 주어진 측정상태에 적절한 Target들을 유지할 수 있는 구조를 지니고 있다. 제안한 방법은 측정순서에 대한 제한이 없으므로 로봇과 주변 환경의 상태에 따라서 측정의 조밀도나 경로 등을 변화시키는 적응 센싱방식 등의 기본적인 구조로도 이용될 수 있다.
