Localization is a crucial ability for a autonomous robot and one of the main streams in robotics research area. Mobile robot Localization is literally the problem of identify the pose of a mobile robot based on various sensor data with a certain degree of noise. The localization method depends on the type of sensor(observation information) and the dynamics of the robot(motion information). The noise of information may not be small enough to endure with previous tracking algorithm but also may contain gross error which must be dealt with in a different way. The observation with gross error is better not to utilize for the sound localization. The robot may be either kidnapped or fail in tracking and must retrieve its pose from those cases indistinguishable from just gross error at a moment. These gross error and failure including kidnapping problem must be differentiated in time sequence.
Here, we propose a robust localization algorithm using adaptive observation and status detection especially for a omni-direction wheeled robot with omni-directional vision system. This localization algorithm is a hierachical approach comprising Landmark-based Localization using MLESAC and Monte Carlo Localization. In MCL framework, this algorithm uses Adaptive Observation Model and Status Detection. Adaptive Observation Model considers inlier and outlier concept and adaptive variance to improve efficiency of MCL. Status Detection copes effectively with kidnapping and gross error problem.
Landmark-based localization uses only measurement information such as bearing which may be incorrect. landmark-based localization is reinforced by MLESAC(Maximum Likelihood Estimation Sample Consensus)robust to incorrect measured data. This processed information can be described by gaussian distribution and gross error function. The algorithm utilizes preprocessed observation information with MLESAC and model the observation model with gaussian distribution in MCL framework. Adaptive Observation Model is designed to utilize particles efficiently and describe inliers and outliers in tracking and large displacements in kidnapping. The proposed algorithm is equipped with a novel approach called Status Detection to distinguish kidnapping from observation with gross error. We also present Local Sample Likelihood and Effective Sample Size and propose Confidence Sample Ratio as the criteria for evaluation and resetting for kidnapping and gross error. The proposed algorithm uses them as status detection by considering the temporal continum.
자율주행 로봇에게 있어 위치추정은 핵심적인 능력이며 로봇분야에 있어서는 주요연구 주제 중 하나이다. 이동로봇의 위치추정은 일정 수준의 잡음을 가지고 있는 다양한 센서 자료를 기반으로 로봇의 위치를 추정하는 문제이다. 위치추정방법은 센서(관찰정보)의 종류와 로봇(이동정보)의 동역학에 기반 한다. 여기서 정보의 잡음은 기존 추적 알고리즘으로 해결할 수 없을 정도로 다른 방법으로 해결해야 할 만큼 큰 에러를 가지고 있을 수도 있다. 큰 에러의 경우 정상적인 위치추정을 위해 사용되지 않는 것이 바람직하다. 로봇은 추적 실패하거나 납치되는 경우가 발생할 수 있으며 이는 반드시 회복되어야한다. 하지만 이러한 경우는 큰 에러와 순간적으로 구분의 명확하지 않다. 이러한 큰 에러와 납치에 의한 위치추정의 실패는 반드시 시간의 연속에 의해 구분 지어야 한다.
여기서 우리는 전방향 비젼 시스템을 가지고 있는 전방향 로봇을 위한 적응 관찰모델과 상태감지를 이용한 강인한 위치추정을 제안한다. 위치추정 알고리즘은 계층적 접근으로 MLESAC을 이용한 표식기반 위치추정과 몬테카를로 위치추정으로 구성된다. 몬테카를로 위치추정에서 적응 관찰모델과 상태감지를 사용한다. 적응 관찰 모델은 inlier와 outlier의 개념을 고려하며 MCL의 효율을 개선하기 위해 적응 분산을 사용한다. 상태감지는 납치와 큰에러 문제에 효과적으로 대처한다.
표식기반의 위치추정은 오차가 있을지 모르는 방향각과 같은 관측정보만을 사용하며 잘못된 관측정보에 강한 MLESAC에 의해 강화된다. 이러한 추정된 정보의 형태는 가우시안 분포와 큰 에러 함수로 표현이 가능하다. 알고리즘에서 MLESAC으로 선 처리 된 관측정보를 사용하며 MCL에서 가우시안 함수로 관측모델을 모델링한다. 적응 관찰 모델은 입자들을 보다 효율적으로 사용하기 위해 만들어지며, 위치추적 시 inlier와 outlier를 표현하며 납치 시 큰 이동을 표현한다. 제안된 알고리즘은 상태감지라는 새로운 접근을 가지고 있으며 이는 납치와 큰 이동을 구분 할 수 있다. 또한 납치와 큰 이동을 구분 짓는 기준으로 지역표본우도 와 효과적 표본 크기를 소개하며 신뢰 표본 비율을 제안한다. 제안된 알고리즘은 이러한 기준을 시간의 연속성을 고려하여 상태감지로 사용한다.
