실내 군집 로봇 환경에서 최적의 기준 노드 선택을 통한 상대 측위 DNN 기술

국문 초록 (Abstract)

본 논문에서는 실내와 같이 GPS 사용이 어려운 환경에서 군집 로봇을 운용할 때, 군집 로봇의 거리 정보 만을 이용하여 대형을 예측하는 DNN(deep neural network) 기반 상대 측위 기법을 제안한다. 상대 측위 시 발생 하는 모호성을 해결하기 위해 군집 로봇 중 세 개의 기준 노드를 선택한다. 이때, 기준 노드의 거리가 가깝거나 일 직선 대형을 이루는 경우 상대 측위 성능 저하가 발생할 수 있으며, 이를 개선하기 위한 두 가지 방법을 제안한다. 첫 번째 방법은 기준 노드 간 최소 간격을 확보하는 방법이고, 두 번째 방법은 기준 노드 간 거리의 합이 최대가 되는 조합을 선택하는 방법이다. 컴퓨터 모의실험 결과, 기준 노드 간 최소 간격이 1m 이상 확보된 경우 평균적으 로 약 0.82m 측위 성능이 향상되었으며, 두 번째 방법은 기존 기법보다 약 0.92m 향상된다. 또한, 필드실험을 통 해 제안하는 기법의 실용성을 검증하였고, 필드실험에서도 제안하는 기법의 측위 정확도가 우수함을 확인한다.

다국어 초록 (Multilingual Abstract)

This paper proposes a DNN-based relative positioning technique using only distance data in GPS-denied swarm robot environments, like indoors, to predict swarm robot formations. To resolve ambiguity in localization, three reference nodes among swarm robots are selected. When the nodes are too close or in a straight line, performance may deteriorate. To address this, we propose two methods for improvement. The first method ensures a minimum distance between the reference nodes, and the second method selects a combination of reference nodes where the sum of the distances between them is maximized. Simulations show that ensuring a minimum distance of 1m improves localization accuracy by about 0.82m, and the second method increases accuracy by 0.92m. Furthermore, we validate the practicality of the proposed technique through experiments, confirming that the proposed method demonstrates superior positioning accuracy in real-world scenarios.

목차 (Table of Contents)

• 요약
• Abstract
• Ⅰ. 서론
• Ⅱ. 기존 거리 기반 상대 측위 기법의 문제점
• Ⅲ. 제안하는 기준 노드 배치 기법
• 3.1 기준 노드 간 최소 간격 보장 기법
• 3.2 최적의 기준 노드 선택 기법
• Ⅳ. DNN 기반 상대 측위 기법
• 4.1 DNN 모델 구조
• Ⅴ. 모의실험
• 5.1 모의실험 환경
• 5.2 인공지능 모델 학습
• 5.3 모의실험 결과
• Ⅵ. 필드실험
• 6.1 필드실험 환경
• 6.2 UWB 거리 측정 편차 보정
• 6.3 필드실험 결과
• Ⅶ. 결론
• REFERENCES