바퀴 달린 모바일 로봇의 자율 항법을 위한 향상된 시각적 SLAM 및 경로 계획

요약

본 연구는 시각적 SLAM 및 경로 계획 알고리즘을 최적화하여 WMR 자율 실내 내비게이션을 개선하기 위한 접근 방식을 제시합니다. 다중 센서 융합을 통합하고, 특징 추출을 향상시키며, 더 나은 위치 파악, 장애물 회피 및 더 부드러운 경로를 위해 궤적 최적화 기술을 적용하여 실제 및 시뮬레이션 환경에서 우수한 성능을 보여줍니다.

초록

본 연구는 경로 계획 최적화, 시스템 통합, SLAM(Visual Simultaneous Localization and Mapping) 기술의 발전 등 바퀴 달린 모바일 로봇 자율 항법에 사용되는 중요한 기술에 초점을 맞춥니다. 중복되거나 고르지 않게 분포된 특징점으로 인해 발생하는 전통적인 시각적 주행 거리 측정의 현지화 문제를 극복하기 위해 향상된 접근 방식이 제안됩니다. 이 접근 방식은 EPNP(Efficient Perspective-n-Point) 기능 일치, ICP(반복 최근점) 포즈 최적화 및 쿼드트리 기반 기능 관리를 결합합니다. 실험 결과에 따르면 제안된 방법은 국소화 정확도와 안정성을 크게 향상시킵니다. RGB-D 데이터를 기반으로 한 고밀도 포인트 클라우드 재구성 기술은 환경 표현의 완전성과 세부 사항을 개선하는 동시에 기존 SLAM 시스템에서 생성된 포인트 클라우드 맵에서 흔히 볼 수 있는 희소성을 완화하기 위해 개발되었습니다. 경로 품질과 계산 효율성을 향상시키기 위해 적응형 단계 크기 관리, 목표 편향 및 B-스플라인 기반 경로 평활화를 통합하는 향상된 RRT(Rapidly-Exploring Random Tree) 방법이 제시됩니다. 또한, 동적 상황에서 실시간 국부적 장애물 회피는 TEB(Timed Elastic Band) 알고리즘의 통합을 통해 가능합니다. 포괄적인 실제 테스트를 통해 로봇 운영 체제(ROS) 기반 실험 플랫폼에 구현된 후 효율성, 견고성 및 실제 적용 가능성 측면에서 제안된 솔루션의 유용성이 확인되었습니다.

서론

로봇 공학의 잠재력과 응용 패턴은 인공 지능 기술의 발전에 힘입어 급속한 변화의 시기를 겪고 있습니다. 최근 몇 년 동안 Visual SLAM(Visual Simultaneous Localization and Mapping)과 VINS(Visual-Inertial Navigation System)로의 확장은 견고성과 위치 파악 정확도 측면에서 상당한 진전을 이루었습니다¹. 낮은 질감 및 열악한 조명과 같은 까다로운 조건에서 초기화 신뢰성을 향상시키기 위해 Camposet al. 다중 맵 시스템을 도입하고 시각 및 시각 관성 시스템에 대한 초기화를 개선하는 ORB-SLAM3을 제안했습니다². 까다로운 시나리오에서 향상된 특징 매칭을 위해 DeTone 등은 자체 지도 관심점 감지 및 설명 방법인 SuperPoint를 개발했습니다³, Sarlin 등은 어려운 시각적 조건을 처리하는 그래프 신경망 기반 기능 매처인 SuperGlue를 만들었습니다⁴. 조밀한 3D 재구성을 위해 Dai et al. 대규모 환경 및 루프 폐쇄를 처리하기 위해 즉석 표면 재통합을 사용하는 실시간 전 세계적으로 일관된 3D 재구성 시스템인 BundleFusion을 제안했습니다⁵.

경로 계획 분야에서는 RRT(Rapidly-exploring Random Trees)와 그 변형이 로봇 동작 계획에 널리 채택되고 있습니다. 기본 RRT 알고리즘은 경로 계획을 위한 새로운 도구로 LaValle에 의해 처음 도입되었으며, 복잡한 고차원 문제를 해결하기 위한 효율적인 샘플링 기반 방법을 제공합니다⁶. 이는 모션 계획에서 점근적 최적성 보장을 제공하는 RRT* 알고리즘을 개발한 Karaman과 Frazzoli에 의해 크게 발전되었습니다⁷. 이러한 핵심 알고리즘을 기반으로 현대 연구는 샘플링 기반 방법과 다른 기술을 결합하는 하이브리드 접근 방식에 중점을 두었습니다. 예를 들어, Rösmann et al. 국부적으로 최적의 궤적 생성을 가능하게 하고 글로벌 플래너와 널리 통합된 TEB(Timed Elastic Band) 방법을 개발^{했습니다8.} 유사하게, Fox et al.에 의해 도입된 DWA(Dynamic Window Approach)는 동적 환경에서 국부적 장애물 회피를 위한 효과적인 방법을 제공합니다⁹.

지역 계획 및 의미론적 인식 수준에서 Chen et al. 초소형 항공기(MAV)에 대한 의미론적 인식 정보 경로 계획 전략을 제안하여 표적 탐사 중 검색 효율성과 안전성을 모두 향상시켰습니다¹⁰. Kabiri et al. 5G ToA(Time-of-Arrival) 측정을 VINS 프레임워크에 통합하여 글로벌-로컬 SLAM 융합을 가능하게 하여 GNSS 커버리지가 제한된 환경에서 위치 파악 정확도를 효과적으로 개선했습니다¹¹. 고주파 실시간 매핑을 용이하게 하기 위해 Xuet al. 정확하고 조밀한 3D 맵을 생성할 수 있는 긴밀하게 결합된 LiDAR-IMU 주행 거리 측정 방법인 FAST-LIO2를 개발했습니다¹². 복잡한 환경에서의 경로 계획을 위해 Gammell et al. 양방향 트리 성장과 적응형 샘플링을 통합한 정보에 입각한 RRT* 방법을 도입하여 동적 환경에서 경로 품질과 검색 효율성을 크게 개선했습니다¹³. 또한 좁은 통로 시나리오의 경우 Coleman et al. 계획 성공률과 계산 효율성을 향상시키는 가변 확률 샘플링을 갖춘 샘플링 기반 모션 계획 방법을 제시했습니다¹⁴.

본 연구는 경로 계획 전략과 SLAM 프런트 엔드를 모두 개선하여 바퀴 달린 이동 로봇(WMR)의 자율 실내 내비게이션의 근본적인 과제를 해결합니다. 특히, 제안된 시스템은 실험실 및 복도와 같은 일반적인 구조화된 실내 환경을 위해 설계되었으며, 적당한 조명과 최소한의 GNSS 액세스가 있는 조건에서 작동합니다. 내비게이션 시스템은 주로 스테레오 RGB-D 카메라, 관성 측정 장치(IMU) 및 휠 인코더를 사용하며 모든 센서는 20Hz 이상에서 샘플링하도록 구성됩니다. 안정적인 시스템 성능을 보장하기 위해 로봇의 최대 속도는 1.5m/s 미만으로 제한됩니다. 주요 기여는 다음과 같습니다.

바퀴 달린 이동 로봇(WMR)을 위한 다중 센서 융합 자율 항법 플랫폼은 깊이 카메라를 기본 센서로 사용하여 개발되었습니다. 일반적인 실내 환경에서 정확한 위치 파악과 효율적인 장애물 회피를 달성하기 위해 이 시스템은 휠 주행 거리 측정과 관성 측정 장치(IMU)를 통합합니다. 이러한 구성 요소 간의 시너지 효과는 전반적인 탐색 성능을 향상시키는 데 중요한 역할을 합니다.

EPnP 및 ICP 알고리즘을 쿼드트리 기반 특징 추출 기술과 결합하면 ORB-SLAM2의 추적 모듈이 개선되는 데 도움이 되었습니다. 이러한 개발로 인해 더 나은 추적 정확도와 견고성이 나옵니다.

궤적 최적화를 강조한 새로운 경로 계획 방법이 제안됩니다. 목표 바이어싱 (goal biasing) 과 조정 가능한 단계 크기를 갖춘 개선 된 RRT 기술을 기반으로하며 궤적 평활화를 위해 B-스플라인 곡선을 사용합니다. 동적 환경에서 장애물 회피를 관리하기 위해 TEB 알고리즘도 포함되어 있습니다.

시스템의 성능은 실제 테스트 및 시뮬레이션을 통해 확인됩니다. 일반적인 실내 환경에서는 정량적 및 정성적 분석을 통해 지도 정확도, 경로 품질 및 내비게이션 성능을 평가할 수 있습니다. 견고성, 실시간 처리 및 궤적 부드러움 측면에서 제안된 접근 방식은 현재 솔루션을 능가합니다.

프로토콜

1. 하드웨어 플랫폼

1. 실내 내비게이션에 적합한 이륜 차동 구동 모바일 로봇 플랫폼을 준비합니다( 그림 1 참조). 이 플랫폼은 섀시 중앙을 따라 정렬된 두 개의 독립적으로 구동되는 휠과 전면과 후면의 패시브 캐스터 휠을 사용하여 기계적 균형과 기동성을 보장합니다.
2. 섀시의 중앙 세로 축을 따라 차동 구동 휠을 장착합니다. 육각 드라이버를 사용하여 휠 샤프트를 모터 허브에 정렬하고 고정합니다. 바퀴가 단단히 부착되어 있는지 확인하되 축 방향 흔들림 없이 자유롭게 회전하십시오. 직선 운동과 정확한 주행 거리를 유지하기 위해 두 바퀴가 정확하게 정렬되어 있는지 확인하십시오.
3. 섀시의 양쪽 끝에 전면 및 후면 캐스터 휠을 설치하여 회전 중에 기계적 지지를 제공합니다. 정렬이 잘못되면 고속 방향 변경 중에 불안정하거나 기울어질 수 있습니다.
4. 섀시의 상단 전면 패널에 구조광 깊이 카메라를 장착합니다. 조정 가능한 브래킷이나 접착 마운트를 사용하여 카메라를 단단히 고정하십시오. 시야가 로봇 앞 약 0.3m에서 3.0m를 커버하도록 방향을 잡습니다.
5. IR 프로젝터와 수신기 모듈을 카메라 하우징에 연결하여 모든 광학 센터가 올바르게 정렬되었는지 확인합니다. 카메라의 피치 각도를 조정하여 깊이 인식을 최적화합니다.
6. 조정 가능한 마운트를 사용하여 카메라를 아래쪽으로 15°-30° 기울입니다. 섀시의 어떤 부분도 투영된 IR 패턴을 방해하지 않는지 확인합니다. 이 각도는 근거리 지형 특징을 포착하고 사각지대를 피하는 데 도움이 됩니다.
7. RViz(버전 1.14.1)와 같은 시각화 소프트웨어를 사용하여 카메라의 실시간 깊이 출력을 확인합니다. 카메라 노드를 실행하고 깊이 이미지 스트림을 관찰합니다. 수심 카메라를 섀시 중앙에 장착된 마이크로컨트롤러 장치(MCU)에 연결합니다.
   알림: 모든 연결 중에 전원이 꺼져 있는지 확인하십시오. 이동 중 얽힘을 방지하기 위해 케이블을 정리하고 움직이는 부품에서 멀리 두십시오.

2. 실내 매핑을 위한 ORB-SLAM2 최적화

1. ORB-SLAM2 환경을 준비합니다. 표준 ROS 보정 도구를 사용하여 카메라(RGB-D)를 보정합니다. 카메라 주제, 해상도(예: 640 x 480) 및 프레임 속도(예: 30fps)를 지정하도록 시작 파일을 구성합니다. 다음을 사용하여 SLAM 시스템을 시작합니다: xtark@tarkbot: $ roslaunch robot_platform slam map.launch slam _methods:=gmapping. 터미널에서 라이브 카메라 피드 및 SLAM 초기화 메시지를 확인합니다. 키프레임은 모션이 시작된 후에 나타나야 합니다.
2. 고밀도 매핑을 지원하도록 ORB-SLAM2를 수정합니다. 기본 매핑 모듈을 확장하여 키프레임의 깊이 데이터를 처리하는 조밀한 재구성 스레드를 포함합니다.
3. 선택한 각 키프레임에 대해: 동기화된 RGB 및 깊이 이미지를 추출하고, 카메라 내장 함수를 사용하여 깊이 픽셀을 3D 포인트로 변환하고, 포즈 정보를 사용하여 키프레임 전체에 누적된 포인트 클라우드를 융합합니다. 둘 이상의 키 포인트가 있는 영역을 4개의 사분면으로 재귀적으로 세분화합니다. 각 리프 노드에 최대 하나의 지배적인 키 포인트가 포함되거나 영역 크기가 10 x 10 픽셀 미만이 될 때까지 계속합니다.
4. 쿼드트리를 사용하여 기능 분포를 향상시킵니다( 그림 2 참조). 쿼드트리 기반 공간 분할 전략을 포함하도록 ORB 특징 추출 모듈을 수정합니다. 이미지를 계층적 그리드 영역으로 나누고, 각 영역에 FAST 코너 감지를 적용하고, 영역당 가장 두드러진 특징만 유지하여 균일한 공간 범위를 보장합니다.
5. 각 유효한 영역에서 현저성 응답이 가장 높은 후보를 대표 기능으로 선택합니다.
6. EPnP로 포즈 추정을 개선합니다. OpenCV의 solvePnP를 사용하여 기본 포즈 추정(예: 반복 방법)을 EPnP(Efficient Perspective-n-Point) 알고리즘으로 대체합니다. 2D 이미지 피처 및 해당 3D 맵 포인트를 사용하여 카메라 포즈를 해결합니다.
7. 로봇을 배포, 시각화 및 제어합니다. 안정적인 통신을 위해 로봇의 온보드 시스템에 고정 IP 주소를 할당합니다(예: 로봇 IP: 172.20.10.13). 호스트 PC에서 RViz(v1.14.1)를 열고 구성을 로드하여 로봇의 궤적, 희소 및 조밀한 포인트 클라우드 맵, 키프레임 및 감지된 기능을 시각화합니다.
8. 키보드 화살표 키를 사용하여 로봇을 수동으로 제어하여 매핑을 위한 공간을 탐색합니다. 궤적 라인이 RViz에 나타나고 카메라 포즈 프레임이 실시간으로 업데이트되는지 확인합니다.
   참고: 그림 3 은 매핑 중 수동 로봇 제어를 위한 키보드 레이아웃을 보여줍니다.

3. Quadtree 알고리즘을 사용한 특징점 처리

1. 아래 설명된 대로 ORB 기능 추출을 수행합니다.
   1. OpenCV(버전 4.5.3)를 사용하여 ROS 이미지 주제 또는 로컬 데이터 세트에서 입력 이미지를 로드합니다.
   2. 4개의 레벨로 가우스 피라미드를 만들고 이미지를 균일한 그리드 셀(레벨당 8 x 8 셀)으로 나눕니다. 각 셀 내에서 임계값이 20인 FAST 검출기를 적용하여 로컬 키포인트를 식별합니다.
2. 아래 설명된 대로 쿼드트리 기반 기능 미세 조정을 구성합니다.
   1. 주어진 피라미드 수준의 각 키포인트 집합에 대해 쿼드트리 구조를 구성합니다. 전체 이미지를 루트 노드로 시작합니다. 둘 이상의 키포인트가 있는 영역을 4개의 사분면으로 재귀적으로 세분화합니다. 각 리프 노드에 최대 하나의 지배적인 키포인트가 포함되거나 영역 크기가 10 x 10픽셀 미만이 될 때까지 계속합니다.
3. 아래에 설명된 대로 기능 현저성 평가를 적용합니다.
   1. 방정식을 사용하여 노드 내에서 각 후보 키포인트의 현저성을 평가합니다.
      (1)
      여기서 I_p는 로컬 이웃에 있는 중심 픽셀의 강도 값이고 I_i는 16개의 인접 픽셀의 강도 값을 나타냅니다. 절대적인 차이 |I_p - I_i| 가운데 픽셀과 각 이웃 사이의 로컬 대비를 측정합니다. 16개의 인접 항목 모두에 대한 합계는 중앙 픽셀 주변의 전체 로컬 대비 또는 텍스처 강도를 측정합니다.
   2. 현저성 점수로 정렬된 동적 우선 순위 대기열을 사용하여 모든 후보의 순위를 매깁니다. 각 유효한 영역에서 현저성 응답이 가장 높은 후보를 대표 기능으로 선택합니다.
4. 기능 선택 최적화 및 검증
   1. 피라미드 수준에서 선택한 모든 피처를 결합합니다. 이미지 전체에 균일한 공간 적용 범위를 보장합니다. OpenCV에 맞춰진 버전의 ORB 설명자 추출기를 사용하여 최종 특징점과 해당 설명자를 저장합니다.
   2. 피처가 몇 개의 이미지 영역에 클러스터링되어 있지 않은지 확인합니다. 특징점은 균일한 공간 분포를 나타내야 하며 강력한 추적을 지원해야 합니다. 움직이는 동안 물리적 로봇 시스템에서 이미지 처리를 실행하지 마십시오. 카메라 스트림이 안정적이고 작업 공간이 지워졌는지 확인합니다.

4. EPnP를 사용한 포즈 추정

1. 4개 이상의 일치하는 3D 맵 포인트 쌍(세계 좌표)과 해당 2D 이미지 키포인트를 선택하여 2D-3D 대응을 설정합니다. 이러한 대응이 추적 스레드에서 얻은 유효한 ORB 기능 일치에서 추출되었는지 확인하십시오.
2. EPnP로 초기 포즈를 풀어보세요. 각 리프 노드에 최대 하나의 지배적인 키포인트가 포함되거나 영역 크기가 10 x 10픽셀 미만이 될 때까지 계속합니다. cv::SOLVEPNP_EPNP 플래그와 함께 OpenCV의 solvePnP 함수를 사용하여 카메라 포즈를 추정합니다.

5. ICP를 통한 미세한 포즈 미세 조정

1. 아래 설명된 대로 포인트 클라우드 샘플링을 수행합니다.
   1. 소스 포인트 클라우드를 다운샘플링하여 계산 부하를 줄이고 중복 데이터를 제거합니다.
   2. 균일한 샘플링을 사용하여 구조적 특징이 모든 방향에 걸쳐 고르게 유지되도록 합니다. 필요한 경우 복셀 그리드 필터링을 적용하거나 입력 포인트 클라우드의 밀도 및 노이즈 특성을 기반으로 무작위 선택을 적용합니다. 필터링된 구름이 객체 등고선을 보존하는 동시에 총 포인트 수를 50% 이상 줄여야 합니다.
2. 대상 포인트 클라우드에서 KD-Tree를 구성하여 해당 지점을 일치시켜 효율적인 최근접 이웃 검색을 가능하게 합니다. 다운 샘플링된 소스 포인트 클라우드의 각 포인트에 대해 KD-Tree를 사용하여 대상 클라우드에서 가장 가까운 포인트를 찾습니다. 이 단계는 등록 성능에 중요한 영향을 미치므로 포인트 매칭의 정확성을 보장합니다.
3. 아래에 설명된 대로 최적의 변환을 추정합니다.
   1. 일치하는 점 쌍을 사용하여 회전과 변환을 모두 포함하는 강체 변환 행렬을 계산합니다.
   2. 교차 공분산 행렬의 SVD(Singular value Decomposition)를 통해 평균 제곱 오차(MSE)를 최소화하여 일치하는 점 쌍 간의 최적의 강성 변환을 계산하고, 회전 행렬을 직접 산출한 다음 회전된 중심을 기반으로 변환 벡터를 계산합니다.
4. 계산된 변환을 원본 점 구름에 적용하고 모든 점 좌표를 업데이트합니다. 포인트 매칭 및 변환 추정 프로세스를 반복적으로 반복합니다. 등록 오류가 미리 정의된 임계값 아래로 떨어지거나 최대 반복 횟수에 도달할 때까지 반복을 계속합니다.

6. 고밀도 포인트 클라우드 맵 구성

1. 조밀한 3D 포인트 클라우드 맵을 구성하여 실내 환경을 정확하고 상세하게 표현합니다. 아래에 설명된 단계( 그림 4 참조)를 따르십시오.
2. 키프레임에서 RGB 및 깊이 데이터를 추출합니다. 시각적 풍부함과 공간 적용 범위에 따라 키프레임을 선택합니다. 선택한 각 키프레임에서 RGB-D 센서에서 RGB 이미지와 해당 정렬된 깊이 맵을 모두 추출합니다.
3. 이미지 픽셀을 3D 카메라 좌표로 변환합니다. 유효한 각 깊이 픽셀에 대해 내장 카메라 매개변수를 사용하여 2D 픽셀을 3D 공간에 투영합니다. 이 프로세스는 카메라 좌표계에서 3D 좌표를 생성합니다.
4. 카메라 좌표를 월드 좌표로 변환합니다. 각 키프레임에 대해 ORB-SLAM2에서 최적화된 카메라 포즈를 검색합니다. 카메라 포즈를 사용하여 3D 카메라 좌표를 월드 좌표계로 변환하여 모든 포인트 클라우드를 공통 전역 참조에 정렬합니다.
5. 색상화된 3D 포인트를 생성합니다. 변환된 각 3D 포인트에 대해 원본 이미지에서 해당 RGB 값을 할당합니다. 그 결과 형상과 모양을 모두 캡처하는 색상이 지정된 포인트 클라우드가 생성됩니다.
6. 모든 키프레임의 포인트 클라우드를 병합합니다. 변환되고 채색된 모든 포인트 클라우드를 통합된 글로벌 포인트 클라우드 맵으로 축적합니다. 각 키프레임과 연결된 카메라 포즈를 사용하여 올바른 정렬을 확인합니다.
7. PCL을 사용하여 최종 맵을 등록하고 다듬습니다. PCL(Point Cloud Library)을 사용하여 최종 맵을 다듬습니다. 필터링을 적용하여 노이즈를 제거하고 다운 샘플링을 적용하여 효율성을 향상시킵니다. 필요한 경우 전역 등록(예: ICP 사용)을 수행하여 포인트 클라우드 간의 정렬을 미세 조정합니다( 그림 5 참조).
   참고: 그림 6에서 볼 수 있듯이 고밀도 매핑 초기화 단계 동안의 초기 포인트 클라우드 정렬은 제한된 관측 데이터로 인해 일시적인 정렬 불량을 나타낼 수 있으며, 이는 추가 관점이 통합됨에 따라 빠르게 수렴됩니다. 로봇이 환경을 횡단하도록 제어함으로써 완전한 3차원 모델을 얻을 수 있습니다.

7. VSLAM에서 파생된 포인트 클라우드에서 점유 그리드 맵 생성

1. 전역 밀도 포인트 클라우드를 다운 샘플링합니다. 0.05m의 복셀 해상도를 사용하여 복셀 그리드 필터링을 적용하여 중복성을 줄이고 그리드 구성을 위한 공간 해상도를 정의합니다.
2. 3D 점을 2D 점유 그리드에 투영합니다. 모든 3D 점을 수평(x-y) 평면에 투영합니다. 공간을 균일한 그리드 셀로 이산화하며, 각 셀은 현실 세계에서 0.05m x 0.05m 정사각형을 나타냅니다.
3. 점유 확률을 추정합니다. 역센서 모델을 사용하여 점 밀도 및 시뮬레이션된 광선 추적을 기반으로 각 셀의 점유 확률을 계산합니다.
   1. 점유 확률 임계값을 0.65로 설정합니다. 자유 확률 임계값을 0.35로 설정합니다. 중간 값이 있는 그리드 셀을 알 수 없는 것으로 분류합니다.
4. 장애물 인플레이션을 적용합니다. 로봇 간격과 안전 마진을 고려하기 위해 반경 0.2m의 원형 커널을 적용하여 점유 영역을 팽창시킵니다.
5. 점유 맵을 내보냅니다. 생성된 점유 그리드 맵을 해당 m.yaml 메타데이터 파일과 함께 휴대용 GrayMap 형식으로 저장하여 ROS 기반 내비게이션 시스템과의 호환성을 보장합니다.

8. 글로벌 경로 계획 전략 개선(RRT 알고리즘 기반)

1. 경로 트리를 초기화합니다. 로봇의 시작 위치를 트리의 루트 노드로 설정합니다. 구성(상태) 공간에서 포인트를 무작위로 샘플링하여 새로운 영역을 탐색합니다.
2. 가장 가까운 기존 노드를 식별합니다. 새로 샘플링된 각 랜덤 포인트에 대해 모든 기존 노드까지의 유클리드 거리를 계산합니다. 확장 베이스 역할을 할 가장 가까운 노드로 최소 거리를 가진 노드를 선택합니다.
3. 랜덤 샘플을 향한 새 노드를 생성합니다. 가장 가까운 노드에서 샘플링된 지점을 향해 방향 단위 벡터를 만듭니다. 이 방향을 따라 고정된 단계(초기)를 이동하여 새 노드를 형성하고 트리에 연결합니다.
4. 고정 단계 크기를 적응형 메커니즘으로 대체합니다. 일정한 스텝 크기를 사용하는 대신 로컬 장애물 밀도에 따라 스텝 길이를 동적으로 조정합니다. 개방형 환경에서 더 큰 단계를 사용하여 트리 확장을 가속화합니다. 어수선하거나 좁은 지역에서는 계단 크기를 줄여 제어 및 장애물 회피를 개선합니다.
5. 아래에 설명된 대로 적응형 단계 크기를 실시간으로 계산합니다.
   1. 센서 데이터(예: LiDAR 또는 깊이 카메라)를 사용하여 현재 지역 주변의 장애물 밀도를 추정합니다.
   2. 감지된 장애물의 수가 적으면 단계 크기를 약간 늘립니다. 장애물이 밀집된 경우 계단 크기를 비례적으로 줄여 안전한 통과를 위해 더 많은 중간 노드를 삽입합니다.
6. 확장 프로세스를 반복합니다. 적응형 단계 크기를 사용하여 샘플링, 가장 가까운 노드 검색 및 새 노드 생성을 계속합니다.
7. 스무딩을 위해 B-스플라인 곡선을 적용합니다. RRT 경로의 폴리선 세그먼트를 연속 B-스플라인 곡선으로 대체하여 부드러움을 개선합니다. 원래 RRT 경로를 따라 일반적으로 전환점 또는 주요 웨이포인트에서 제어점을 선택합니다. 이러한 기준점을 순서대로 연결하여 제어 폴리곤을 구성합니다.
8. B-스플라인 곡선을 생성합니다. 표준 B-스플라인 공식¹⁵를 사용합니다.
   (2)
   이 공식은 B-스플라인 곡선에서 사용되며, 여기서 최종 곡선 C(u)는 제어점의 가중치 조합입니다. 가중치는 B-스플라인 기저 함수 N_i,k(u)에 의해 결정되며, 이는 곡선이 매끄럽고 제어점에 의해 정의된 일반적인 모양을 따르도록 합니다.
9. 곡선 각도를 3(입방)으로 설정하여 연속성을 보장합니다(부드러운 1차 및 2차 도함수). PyCharm 2024.3으로 작성된 경로 계획 모듈을 사용합니다.

9. 수정된 TEB를 통한 국부 궤적 최적화

1. 아래에 설명된 대로 최단 거리 제약 조건을 도입합니다.
   1. 이러한 단점을 완화하려면 최단 거리 제약 조건을 TEB 프레임워크에 통합하십시오.
   2. 제약 조건을 궤적을 따라 로봇의 현재 위치 S_t와 미래 포즈 S_i+n 사이의 유클리드 거리로 정의합니다.
      (3)
      이 제약 조건은 경로가 글로벌 경로 회랑의 가장자리에 가깝게 유지되도록 장려하여 비효율적인 편차를 불이익으로 처리하여 계획 품질과 안전성을 개선합니다.
2. 거리 제약 조건을 추가 가장자리로 포함하도록 원래 TEB 최적화 그래프를 수정하여 제약 조건을 TEB 비용 함수에 통합합니다. 총 비용 함수를 조정하여 f_os에 대한 가중 항을 포함하고 부드러움, 타당성 및 에너지 효율성의 균형을 맞춥니다.
3. 제약 조건을 TEB 비용 함수에 통합합니다. 최적화하는 동안 속도, 가속도, 장애물 간격 및 추가된 최단 거리 항을 포함하여 총 비용을 최소화하는 궤적 점을 해석합니다. TEB의 기본 솔버를 사용하여 N 시간 간격에 걸쳐 궤적을 반복적으로 최적화합니다. 제약 조건을 고려하여 경로를 최적화합니다( 그림 7 참조).

결과

개선된 ORB-SLAM2 평가
특징 추출 실험
실제 시나리오에서 RGB-D 깊이 카메라의 효과를 평가하기 위해 특징점 추출 실험을 수행했습니다. 이 테스트는 실제 시각적 복잡성을 시뮬레이션하기 위해 각각 물체 색상과 밝기가 다른 두 가지 배경 환경을 사용하여 설계되었습니다.

제안된 개선된 추출 방법과 기존의 기준선 접근법 모두 동일한 테스트 조건 세트에 적용되었습니다. 추출된 특징점의 수와 공간적 일관성을 1차 성능 지표로 기록하고 분석했습니다.

표 1과 같이 추출된 특징점의 수와 공간적 일관성을 기록하고 1차 성능 지표로 분석하였다. 개선된 방법은 특징점의 인식 비율이 25.95% 증가했으며 특징점의 균일성은 24.36% 향상되었습니다. 그림 8에 제시된 실험 결과는 두 ...

토론

본 연구의 초점인 바퀴 달린 이동 로봇용 자율 실내 내비게이션 시스템의 두 가지 핵심 기술은 SLAM(Visual Simultaneous Localization and Mapping)^16,17과 경로 계획¹⁸입니다. SLAM 모듈은 ORB-SLAM2의 고르지 않은 특징점 분포를 수정하기 위해 쿼드트리 기반 계층적 선택 방법을 제안합니다. 생성된 지도의 정밀도를 높이기 위해 비동기식 고밀도 매핑 접근 방식이 사용됩니다. 실험 결과는 제안된 방법이 국소화 안정성과 매핑 정밀도를 크게 향상시켜 특징점 추출 정확도가 25.95% 향상되었음을 보여줍니다.

기존의 RRT(Rapidly-Exploring Random Tree) 방법⁽¹⁹)의 특...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
Astra Pro Plus 3D 카메라	크르벡	없음	3D 카메라
TARKBOT-R20-TWD	없음	없음	ROS 로봇