Robotic vehicle with actively articulated suspension (AAS) has high traversability in rough terrain by using hybrid locomotion with AASs along with wheeled ends. This robotic vehicle that uses hybrid locomotion has multi degrees of freedom between platform and wheels and control the center of gravity of the robotic vehicle. The traversability of this robotic vehicle depends on the planning and control method of the articulat-ed suspension. Many pervious researches have proposed the control method to maximize a static stability and traction force by controlling the suspension configuration while wheel driving. However, the traversability can be enhanced by AAS of the robotic vehicle that plays a role as a leg to overcome a geometric obstacle. In this research, I propose an algorithm for the robotic vehicle with AAS to negotiate a geometric obstacle.
The first part of proposed algorithm is a path planning algorithm to negotiate an obstacle. Previous path planning algorithms only try to find the way to avoid an obstacle. However, the robotic vehicle with AAS has an ability to negotiate specific geometric obstacle, so I propose novel path planning algorithm for negotiating the obstacle. Proposed algorithm converts the point clouds of the terrain data to three kinds of terrain profile: left-side terrain profile, right-side terrain profile, and maximum height terrain profile. The left-side and the right-side terrain profile mean the terrain that wheels of the robotic vehicle will actually contact with. I detect the obstacle in the left-side and right-side terrain profile by using Hough transform which is an algorithm for feature extraction by shape matching. Obstacle detection by Hough transform has advantages of detecting an obstacle and analyzing the geometric structure of the terrain compared to the previous methods. I develop a tree classifier to classify an obstacle to specific types of obstacle. This algorithm evaluate the path by classifying into specific types and evaluate the traversability according to matching level, matching score, symmetricity, difficulty of the obstacle, and makes a path plan.
The second part of proposed algorithm is behavior planning algorithm to negotiate an obstacle. I pro-posed hybrid deliberative/reactive behavior planning architecture. For the high-level deliberative behavior planner, I devise a locomotion model for AAS under three degree of freedoms. Proposed locomotion model has five rules for the suspension’s movements for negotiating the obstacle. I convert the behavior plan for obstacle negotiation to graph search problem, and apply A* algorithm. By changing the planning target from AAS configuration to the platform movement in deliberative planner dramatically reduces a searching space, and converting the problem to a graph search problem, it takes under 10 seconds to make a high-level behav-ior plan.
The low-level reactive behavior planner makes plans for the configuration of the suspensions to follow the command about the platform movement and locomotion from the high-level behavior planner. This low-level planner consists of finite state machine (FSM) with three states: wheel contact correction, AAS reconfiguration, and command update. The main feature of this planner is that the algorithm estimates the effective terrain profile by tire movement, and makes a reconfiguration plan of the suspension based on estimated terrain profile. To estimate the terrain, the first state of FSM, wheel contact correction, corrects the opened tire to remain in contact with the ground for tire to reflect the terrain profile. The second state of FSM, AAS reconfiguration, generates the configuration planning of the AASs without any detail geometric data about the terrain. The terrain is estimated by the traces of each tire and the AAS configurations for the desired posture of the robotic vehicle are set up against the constraints of the terrain. Also, an optimal AAS configuration is calculated based on the quasi-static stability and power consumption, and plans for the AAS configuration are made. The third state of FSM, command update, determined the update of the command from high-level command list by checking the platform posture and position. By simulation using ADAMS/Simulink program, I evaluate proposed obstacle negotiation algorithm with previous method. As a result, proposed hybrid deliberative/reactive behavior planner can reduce the errors of platform posture and can cope with an uncertainty of the terrain during negotiating the obstacle compared to the previous pure deliberative planning method.
The last part of this research is devoted to the estimation model of contact wheels for the robotic vehi-cle with AASs. Wheels of the robotic vehicle can be used to get the information about the terrain. However, wheels of the robotic vehicle with AAS cannot be used as the roles because the each wheel does not be guar-anteed to remain in contact with the ground. Therefore, in this research, I propose the indexes and models to estimate the contact wheels. First, I formulated the dynamic equations about the AASs and wheels. Then estimation index IWTC and IATC are developed from the equations, and analyzed the strengths and weaknesses of each index. As the results, I developed the fuzzy rule-based estimation model additionally derived from our observations. IWTC model and IATC model can eliminate the noise of about 60% in comparison with the result without the estimation model. Fuzzy model also reduce the noise of about 83%. In addition, fuzzy rule-based estimation model has high sensitivity and precision as well as robustness.
가변 현가장치를 가진 로봇 차량은 가변 현가장치와 바퀴를 이용한 복합 주행을 통해 험지에서 우수한 주행성을 갖는다. 이와 같은 복합 주행을 하는 로봇 차량은 로봇 플랫폼과 바퀴 사이에 다자유도를 가지고 있어 로봇 차량의 무게 중심을 제어하는 것이 가능하다. 이 로봇 차량의 주행 성능은 가변 현가장치의 계획 및 제어 방법에 의해 결정된다. 많은 기존 연구들은 바퀴로 주행 중 가변 현가장치의 형상을 제어하여 로봇 차량의 정적 안정성과 주행성을 최대화하는 제어 방법을 제안했다. 그러나 이 로봇 차량의 주행 성능은 가변 현가장치를 다리 역할을 하도록 하여 형상적 장애물을 극복함으로써 보다 강화될 수 있다. 본 연구에서는 형상적 장애물을 극복하기 위하여 가변 현가장치를 가진 로봇 차량을 위한 알고리즘을 제안하였다.
제안한 알고리즘의 첫 부분은 장애물 극복을 위한 경로 계획 알고리즘이다. 기존의 경로 계획 알고리즘은 장애물을 회피하려는 노력만을 하였다. 그러나 가변 현가장치를 가진 로봇 차량은 특정 형상의 형상 장애물을 극복하는 능력을 가지고 있으므로 본 연구에서는 장애물을 극복하기 위한 새로운 경로 계획 알고리즘을 제안하였다. 제안하는 알고리즘은 지형 데이터의 포인트 클라우드를 세 개의 지형 단면도인 좌측 지형 단면도, 우측 지형 단면도, 최대 높이 지형 단면도로 변환한다. 좌측과 우측 지형 단면도는 로봇 차량의 바퀴가 실제로 접촉하게 되는 지면이다. 본 연구에서는 형상 매칭을 통한 특칭 추출 알고리즘인 허프 변환을 통하여 좌측과 우측 지형 단면도에서 장애물을 추출하였다. 허프 변환을 통한 장애물 탐색은 기존의 방법들에 비해서 지형의 형상적 구조를 분석하고 장애물을 추출하는데 유리하다. 본 연구에서는 장애물을 특정 형상으로 분류하기 위한 트리 분류기를 제안하였다. 본 알고리즘은 경로를 특정 형상의 장애물로 분류하여 장애물의 일치 수준, 일치 점수, 대칭성, 난이도에 따른 주행성을 평가하여 경로 계획을 수립하였다.
제안한 알고리즘의 두 번째 부분은 장애물 극복을 위한 행동 계획 알고리즘이다. 본 연구는 복합형 숙고/반응형 행동 계획 구조를 제안하였다. 상위 수준의 숙고형 행동 계획기를 위해서 본 연구에서는 3 자유도 이하의 가변 현가장치를 위한 보행 보델을 고안하였다. 제안한 보행 모델은 장애물 극복을 위한 현가장치의 움직임에 대한 다섯 가지의 규칙으로 구성되어 있다. 본 연구에서는 장애물 극복을 위한 행동 계획 문제를 그래프 서치 문제로 변환하여 A* 알고리즘을 적용하였다. 상위 수준의 숙고형 계획에서 계획 목표를 가변 현가장치의 형상에서 플랫폼의 움직임으로 변환함으로써 탐색 공간을 획기적으로 감소시킬 수 있었다. 또한 문제를 그래프 서치 문제로 변환함으로써 상위 수준에서의 행동 계획을 10초 이내에 수립하였다.
하위 수준의 행동 계획기는 상위 수준 행동 계획기로부터 전해온 플랫폼 움직임에 대한 명령과 보행 명령을 따를 수 있도록 현가장치의 형상 계획을 수립한다. 이 하위 수준 행동 계획기는 세 개의 상태인 바퀴 접촉 보정, 가변 현가장치 재형상, 그리고 명령 업데이트로 구성된 유한 상태 기계로 구성되었다. 이 계획기의 주요 특징은 알고리즘이 타이어 움직임을 통해 실제 지면 형상을 예측하고 이를 기반으로 하여 현가장치 형상을 계획한다는 것이다. 지면을 예측하기 위해서 유한 상태 기계의 첫 번째 상태인 바퀴 접촉 보정은 지면과 떨어진 바퀴를 지면과 접하여 지면의 형상을 타이어가 반영할 수 있도록 보정한다. 유한 상태 기계의 두 번째 상태인 가변 현가장치 재형상은 지형에 대한 어떤 자세한 형상적 정보를 이용하지 않고 가변 현가장치의 계획을 수립한다. 지면은 각 타이어의 움직임을 추적하여 예측하고 로봇 차량을 원하는 자세로 제어하기 위한 가변 현가장치의 형상은 지면의 제한조건을 통해 구성된다. 또한 가변 현가장치의 최적 형상은 준정적 안정성과 에너지 소비에 근거하여 계산하였다. 유한 상태 기계의 세 번째 상태인 명령 업데이트는 플랫폼의 자세와 위치를 확인하여 상위 수준 명령 리스트로부터의 명령의 업데이트를 결정한다. ADAMS/Simulink 프로그램을 사용한 시뮬레이션을 통해 본 연구에서는 제안한 장애물 극복 알고리즘과 기존의 방법 간의 비교를 하였다. 그 결과 제안한 복합형 숙고/반응형 행동 계획법은 기존의 순수한 숙고형 계획 방법에 비하여 장애물 극복 중 플랫폼의 자세에 대한 오차가 감소하고 지형의 불확실성에 대응할 수 있다.
본 연구의 마지막 부분은 가변 현가장치를 가진 로봇 차량을 위한 접촉휠 예측 모델이다. 로봇 차량의 바퀴는 지형에 대한 정보를 습득하는데 사용될 수 있다. 그러나 가변 현가장치를 가진 로봇 차량의 바퀴들은 각 바퀴가 지면과 접촉되어 있다고 보장할 수 때문에 그 역할을 할 수가 없다. 그러므로 본 연구에서는 접촉휠을 예측하기 위한 지수와 모델을 제안하였다. 우선, 가변 현가장치에 대한 동역학 방정식을 구성하였고 예측 지수인 IWTC와 IATC를 본 방정식으로부터 개발하였다. 또한 각 지수에 대한 강점과 약점에 대해서 분석하였다. 그 결과, 앞의 분석을 통하여 본 연구에서는 퍼지 규직 기반의 예측 모델을 추가로 개발하였다. IWTC 모델과 IATC 모델은 예측 모델을 사용하지 않을 시의 결과와 비교하여 약 60%의 노이즈를 제거할 수 있었다. 퍼지 모델은 또한 약 83%의 노이즈를 제거할 수 있었다. 추가로 퍼지 규칙 기반의 모델은 강건성과 더불어 높이 반응성과 정확성을 가지고 있다.
