Mobile robot localization is one of the key technologies for autonomous navigation. Especially for indoor localization, most widely used signals include camera images, laser scans, ultrasonic-based ranges, Wi-Fi signal strength, etc. Although these sensor modalities can provide reasonable performance in positioning, an additional and ambient signal source can extend robot's operation area and further improve the localization performance. Among the various signals of opportunity, magnetic field measurement is utilized in this thesis.
Indoor magnetic field is mainly contributed by geomagnetism, where the geomagnetic field is measured with distortion caused by ferromagnetic objects in indoors. It is shown by several researchers that the distortion is sufficiently stable over time that can be used for navigational purposes. Moreover, magnetic field can be measured with high resolution and accuracy with cheap sensors. In this thesis, these properties of magnetic field are exploited to solve two kind of navigation problems ？ i) simultaneous localization and mapping (SLAM) and ii) global localization (or relocation).
To solve the SLAM problem, both filtering- and smoothing-based approaches are explored. For the filtering-based one, Rao-Blackwellized particle filter (RBPF), which is one of the Bayesian inference-based SLAM frameworks, is employed. In this framework, every particle uses current magnetic field measurements to construct its own magnetic field map in a regular grid. By using the constructed magnetic field, robot’s position and heading angle are also updated concurrently. Constructed magnetic map can also be used for the global localization, where the ambiguity of the magnetic field should be handled adequately. For this, additional radio sources are employed and performance improvement in localization accuracy is examined.
For smoothing-based SLAM approach, a framework of pose graph optimization is exploited. Generally, pose graphs consist of nodes (which represent robot poses) and edges (which represent constraints between nodes by relative pose measurements). Using magnetic field measurements, two types of constraints are designed which can improve estimation of rotation motion of robot and matching of loop-closed nodes, respectively. Especially for the loop closing constraints, a sequence of magnetic field measurements is generated from certain group of nodes and used to detect loop closing. This mitigates the ambiguity and orientation-dependency problems in the magnetic field based loop closing. The optimized pose graph itself is an magnetic field map and can be used for the global localization of mobile robots or human users with mobile devices.
본 논문은 실내 이동로봇의 경로를 추정하기 위해 실내의 자기장 값을 하나의 특징값으로 이용하는 방법을 보여준다. 기존의 실내 측위 신호에는 카메라 영상, 초음파, 적외선, Wi-Fi 등이 있으나 신호 범위나 추정 성능 등에 제약이 있기 때문에 이와 더불어 사용할 수 있는 주변적인(ambient) 센서 값은 매우 유용하다. 실내에서 관측되는 자기장은 지구 자기장이 건물 내 여러 요소들에 의해 중첩 또는 왜곡되어 관측되는 것으로서, 왜곡된 그 값이 시간에 따라 안정되어 있으며 이를 측정하는 센서도 정밀도가 높고 저렴하기 때문에 측위 보조 신호로서 적절한 대안이 될 수 있다. 본 논문은 이러한 실내 자기장 값의 유용성을 이동로봇의 SLAM(simultaneous localization and mapping) 및 전역적 측위(global localization)의 범주 안에서 적용 및 검증하였다.
SLAM의 경우 두 가지 접근법을 사용하였는데 하나는 로봇의 연속적인 관측값을 현재의 상태변수를 업데이트하는 데 사용하는 필터링(filtering) 기반의 기법이며, 다른 하나는 로봇의 현재 뿐 아니라 과거 모든 상태변수까지 업데이트하는 스무딩(smoothing) 기반의 기법이다. 필터링 기반 SLAM의 경우 베이지안 추론기 중 하나인 RBPF(Rao-Blackwellized particle filter) 를 적용하였는데, 로봇이 진행함에 따라 관측되는 자기장 값을 가상의 격자 상에서 랜드마크로 등록하여 사용할 수 있도록 설계하였다. 이를 통해 로봇이 격자 안에서 진행 또는 회전할 때 오도메트리에 의해 발생하는 오차를 보정할 수 있도록 하였다. 또한 이렇게 격자상에서 생성된 자기장 맵은 로봇의 전역적 위치인식에도 사용될 수 있는데, 자기장 맵의 경우 모호성(다른 위치에서 비슷한 관측값이 나오는 현상)을 가지기 때문에 본 연구에서는 이를 개선하기 위한 방법으로 추가적인 RF 거리신호를 사용하는 방법도 제시하였다.
스무딩 기반 SLAM의 경우 위치그래프 최적화(pose graph optimization)를 기본 프레임워크로 사용하였는데 이 프레임워크 내에서 로봇의 이동경로는 위치 노드들로 구성되며 각각의 노드는 오도메트리 또는 자기장 관측에 의한 구속조건으로 연결된다. 본 논문에서는 로봇이 주행 중 정지 상태에서 회전할 경우, 그리고 이전에 지났던 경로를 다시 지나는 경우(loop closing)에 대해 실내 자기장 측정 값이 적절한 구속조건을 줄 수 있도록 설계하였다. 자기장의 모호성은 루프클로징을 검출하는 데 있어서도 false positive 문제로 제기되는데, 이를 해결하기 위해 특정 조건에 있는 노드들을 그룹화하고 해당 노드들의 자기장 관측값들을 하나의 시퀀스로 만들어 이 시퀀스를 매칭 및 검출에 이용하도록 하였다. 이러한 매칭 기법은 자기장 관측값이 측정 방향에 민감한 문제도 해결할 수 있다.
최적화된 위치 그래프는 실내 자기장 맵이 되므로 로봇의 전역 위치인식 또는 모바일 기기 사용자의 위치인식 등에 사용될 수 있다.
