http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
무인 비행체의 자세추정을 위한 저가형 가속도계의 오정렬 보정법
전원석(Wonseok Jeon),손경찬(Kyungchan Son),이재각(Jaegak Lee),양현석(Hyunseok Yang) 대한기계학회 2016 대한기계학회 춘추학술대회 Vol.2016 No.12
This paper presents a low-cost triaxial accelerometer calibration method using measurements at three or four known positions. The proposed calibration method estimates misalignment, gain factors and biases of each three axes without a high accurate external device. The sensor model of triaxial accelerometer includes misalignment rotation matrix, three gain factors and three biases. To calibrate these parameters, we use the rotation about one inertial-frame axis. In this paper, a three-position method and a four-position method is proposed. The proposed calibration methods are experimentally verified on low-cost MEMS accelerometer and the results show that the methods accurately estimate misalignment, gain factors and biases. The results are compared with the other calibration method which is not contained misalignment calibration. The errors between measured attitude and estimated attitude calculated from calibrated accelerometer data are used to compare performance of calibration methods.
그리퍼의 수직항력 데이터만으로 물체의 슬립을 감지하는 알고리즘
이상원(Sangwon Lee),전원석(Wonseok Jeon),손경찬(Kyungchan Son),양현석(Hyunseok Yang) 대한기계학회 2021 대한기계학회 춘추학술대회 Vol.2021 No.6
사람의 피부기계수용체는 수용영역과 감지 가능한 주파수 대역 등에 따라 SA-I, SA-II, FA-I 과 FA-II 이 4 가지로 구분된다. 이 중 사람 손이 특정 물체의 슬립을 감지하는 데 중요한 역할을 하는 수용체는 비교적 높은 주파수 대역을 감지할 수 있는 FA-I 과 FA-II 이다. FA-I 는 가벼운 터치를 그리고 FA-II 는 미세한 진동이나 압력을 담당하는 수용체로 알려져 있는데 전자는 5Hz 에서 50Hz 그리고 후자는 20Hz 에서 1000Hz 의 주파수 대역에서의 감지가 가능하다. 해당 연구결과를 사람 손이 아닌 로봇 그리퍼에 대해 살펴보면 로봇 그리퍼도 물체의 슬립을 감지하는 데 적합한 수직항력 데이터 주파수 대역이 있을 것이고 이를 활용하면 높은 정확도의 슬립 감지 알고리즘을 개발할 수 있을 것이다. 이에 따라 본 논문에서는 그리퍼에 부착된 센서의 수직항력 데이터를 주파수 도메인으로 변환하고 LSTM(Long short-term memory) classification 알고리즘을 활용하여 슬립을 감지하는 방법을 제안하였다. 그리퍼는 하나의 크랭크와 2 개의 링크로 구동되는 단순한 선형 그리퍼를 사용하였고 수직항력을 측정하기 위한 센서로는 Honeywell 사의 FSS 센서를 부착하였다(Figure1). 해당 데이터를 주파수 도메인으로 변환하기 위해서는 센서 데이터를 추출하는 아두이노에서 FFT 알고리즘을 적용하는 방법을 선택하였다. 이러한 방식으로 변환된 데이터는 ROS 기반의 main pc 에서 sequential data 로 구성되어 encoder-decoder 로 입력되고 중간 hidden layer 에서 몇 겹의 layer 를 지나 classification 이 이루어지는 방식의 아키텍쳐로 구성하였다(Figure2). 학습을 위한 데이터로는 물체에 슬립이 일어나고 있는 상황의 데이터와 그리퍼가 물체를 슬립 없이 파지하고 있는 상황의 데이터 이렇게 2 가지를 사용하였다. 전자의 경우 그리퍼가 물체와 겨우 닿고 있는 상태에서 수직 선형레일이 위 아래로 움직이며 데이터를 수집하였고 후자는 물체를 완전히 파지하고 있는 상태에서 그리퍼의 orientation 과 수직항력에 변화를 주며 데이터를 수집하였다. [그림 본문 참조]