As navigation technologies have advanced, unmanned vehicles (robots) have enjoyed increased levels of autonomy. Recently, advancements have been made in robot intelligence, particularly in the fields of path planning and object recognition, to enable unmanned vehicles to carry out various missions efficiently.
One such mission application is object tracking of swarm robots. In this thesis, I focus on an object recognition and path planning algorithm for this purpose. For object recognition, this thesis proposes a convolutional neural-network-based object recognition algorithm for map and path generation between the position of the swarm robot system and objects. An unmanned aerial vehicle (UAV)-type surveillance system observes objects on the sea surface and recognizes specific objects under its position. Experimental results obtained using an imaging test set taken in Masan Bay, South Korea, show that a convolutional neural-network-based classifier can recognize specific objects.
For path planning, gridmap-based path planning algorithms are well known and have been used frequently. These algorithms are powerful in that they generate a path with the fastest computation time. Typically, a conventional gridmap-based path planning algorithm focuses on finding the shortest path and only considers obstacles to be avoided. In many real-world applications, however, the path of a vehicle should consider a heading angle and angular rate (yaw rate). To solve this problem, this study presents a novel gridmap-based path planning algorithm called Angular Rate-Constrained $Theta^*$ $(ARC-Theta^*)$ for generating realistic paths in consideration of both the heading angle and the angular rate. The performance of the $ARC-Theta^*$ algorithm is verified through simulations and experiments.
To control swarm robots, in this thesis, the leader-follower scheme commonly employed on the ground is used. However, when follower robots are tracking in accordance with the leader's following route without considering the performance limitation of the robot, the formation cannot be well maintained even if a formation control algorithm is applied to the robots. In this thesis, for maintaining the formation of a multi-agent robot system, the extend Angular-Rate-Constrained $Theta^*$ $(eARC-Theta^*)$ algorithm is proposed. The eARC-Theta* algorithm was used to plan a path by considering the formation state and vehicle performance constraints. The performance of maintaining a formation was demonstrated through field tests using an unmanned surface vehicle (USV).
자율운항을 위한 항법 기술이 발전하면서, 무인 로봇의 자율화 단계 또한 발전하고 있다. 현재의 자율화 단계는 목적에 따라 스스로 길을 찾고 장애물을 회피하는 7단계를 지나 인간과 협력하는 8단계 초반에 진입해 있고, 많은 연구자들이 항법기술을 연구 하고 있다. 무인 수상선에 대한 경우도 마찬가지로 항법기술의 발전과 함께 진화 하고 있는데, 본 학위논문에서는 무인 수상 군집 로봇의 물체 추적 임무를 위한 물체 추적과 경로 계획 기법에 집중하기로 한다.
우선, 무인 로봇이 효율적인 임무를 수행할 수 있도록, 목표물을 검출하기 위한 컨볼루션 신경망 기반의 물체 분포 인식 알고리즘을 제안한다. 무인기 형태의 관측 시스템이 해수면을 감시하고 감시 영상을 이용하여 여러 물체를 인식하여 임무 목표 및 장애물을 반영한 격자 공간 지도를 생성한다. 마산 만에서 촬영한 영상을 이용하여 제안한 알고리즘의 성능을 확인하였다.
여러 항법 기술중에서 경로 계획 알고리즘에 있어서는, 격자 공간 기반의 경로 계획 알고리즘을 가장 많이 적용되고 알려져 있다. 격자 공간 기반의 경로 계획 알고리즘은 빠르게 경로를 생성할 수 있는 장점이 있고, 장애물을 피해 최단 경로는 찾는데 많이 사용되었다. 하지만, 해양 환경에서 무인 수상선의 실제 적용사례를 보면 기존의 격자 공간 경로 계획 알고리즘은 무인 수상선의 조향 성능을 고려하지 못해 추종하기 어려운 경로를 생성하는 경우가 많다. 이 문제를 해결하기 위해, 본 학위논문에서는 격자 공간 기반의 Angular Rate-Constrained $Theta^* (ARC-Theta^*)$ 를 제안한다. 제안한 알고리즘은 무인 수상선의 조향 성능을 고려하여 경로를 생성할 수 있다. 제안한 알고리즘의 성능은 시뮬레이션과 실험을 통해 확인하였다.
더 높은 자율화 단계를 위해 무인 로봇의 협업 시스템을 설계하였고, 본 학위논문에서는 군집 제어 알고리즘으로 선도-추종 방식의 기법을 적용하였다. 편대 제어 알고리즘이 적용되어도 무인 수상선의 성능 한계로 인하여 편대를 유지하며 경로를 추종하기 어려운 경우가 존재하기에 본 학위논문에서는 $ARC-Theta^*$ 알고리즘을 확장하여 무인 수상선의 성능뿐아니라, 편대의 상태까지 고려하여 편대의 형태를 유지할 수 있는 경로를 생성하였다. 제안한 알고리즘의 성능은 실제 실험을 통해 검등하였다.
본 학위 논문에서 제안한 알고리즘들을 이용하여 무인 수상 군집 로봇의 물체 추적 임무를 실제 실험을 통해 가능성을 확인하였다. 제안한 알고리즘이 무인 수상 군집 로봇의 자율화 단계를 증가 시키고, 실제 제품으로 연구 개발이 될 수 있도록 기대해 본다.
