http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
이동로봇을 위한 $H_{\infty}$ 필터 기반의 강인한 동시 위치인식 및 지도작성 구현 기술
전서현,이건용,도낙주,Jeon, Seo-Hyun,Lee, Keon-Yong,Doh, Nakju Lett 대한전자공학회 2011 電子工學會論文誌-SC (System and control) Vol.48 No.1
이동로봇의 동시 위치인식 및 지도작성 (Simultaneous Localization And Mapping, SLAM) 에서 가장 기본이 되는 알고리즘은 확장 칼만 필터 SLAM(Extended Kalman Filter SLAM, EKF-SLAM)이다. 하지만 칼만 필터를 사용할 때, 시스템 설계자는 외부 입력에 대한 시스템적 특성과 외부 노이즈의 확률적 모델을 알고 있어야 하나, 실제 환경에서는 이를 정확히 파악할 수 없는 한계가 있다. 이에, 칼만 필터를 불확실성이 심한 실제 환경에 적용할 경우 내부 변수의 변화에 민감하게 반응하거나, 필터의 수학적 일관성이 지켜지지 않거나 또는 부정확한 상태 변수값을 추정하기도 한다. 이에 비해 $H_{\infty}$ 필터는 외부 모델에 대한 상세한 정보가 없을지라도 강인하게 상태를 예측할 수 있다는 장점을 가지고 있다. 본 논문에서는 이러한 $H_{\infty}$ 필터의 특성이 이용로봇의 SLAM 알고리즘의 성능 향상에 도움이 될 것이라는 아이디어에 착안하여 $H_{\infty}$ 필터에 가번한 SLAM 알고리즘을 제안하고 이를 모의 실험에 적용해 보았다. 이를 통해 불확실성이 큰 환경에서는 제안된 알고리즘이 기존의 EKF-SLAM에 비해 다소 우수한 예측 성능을 보임을 확인할 수 있었다. The most basic algorithm in SLAM(Simultaneous Localization And Mapping) technique of mobile robots is EKF(Extended Kalman Filter) SLAM. However, it requires prior information of characteristics of the system and the noise model which cannot be estimated in accurate. By this limit, Kalman Filter shows the following behaviors in a highly uncertain environment: becomes too sensitive to internal parameters, mathematical consistency is not kept, or yields a wrong estimation result. In contrast, $H_{\infty}$ filter does not requires a prior information in detail. Thus, based on a idea that $H_{\infty}$ filter based SLAM will be more robust than the EKF-SLAM, we propose a framework of $H_{\infty}$ filter based SLAM and show that suggested algorithm shows slightly better result man me EKF-SLAM in a highly uncertain environment.
다양한 실내공간 점군 데이터에서의 효과적인 3차원 평면 추출법
오유진(Youjin Oh),도낙주(Nakju Doh) 대한전자공학회 2020 전자공학회논문지 Vol.57 No.10
본 논문은 실내공간을 스캔한 3차원 점군 데이터에서 효과적으로 3차원 평면을 추출한 뒤, 실내공간을 3차원 평면으로 표현하는 방법을 제안한다. 이 방법은 평면으로 이루어진 건축요소 뿐만 아니라 곡면과 같은 비정형 요소에서도 평면을 추출할 수 있다. 제안한 알고리즘은 다양한 크기와 복잡도의 실내공간 점군 데이터에 대해 빠르고 강인하게 평면을 추출한다. 정확한 평면을 추출하기 위해 계층적 평면 추출법으로 초기 평면을 추출한 뒤, 점군 데이터의 법선 벡터를 이용하여 추출된 평면의 진위를 판별하고 보정한다. 비정형 건축요소는 데이터를 3차원에서 2차원으로 투영하여 복잡도를 줄인 뒤, 조건에 맞게 여러 개의 선분으로 분할한다. 그 뒤, 선분을 이루는 2차원 데이터를 3차원으로 복원하여 평면을 추출한다. 6개의 다양한 실내공간 점군 데이터를 이용하여 알고리즘을 검증하였다. 다른 평면 추출 알고리즘에 비해 제안한 알고리즘이 높은 추출율과 정밀도, 재현율을 갖는 것을 확인하였다. 또한 비정형 건축요소를 효과적으로 여러 개의 평면으로 추정할 수 있다는 것을 확인하였다. We propose the method to extract three dimensional planes from point cloud data of indoor spaces and represent indoor spaces with those 3D planes. The proposed method extracts planes from not only planar architectural components but also non-planar architectural components like curved surfaces. This algorithm is robust to various indoor spaces with different sizes and complexities. To extract accurate planes, we utilize a hierarchical plane extraction method to extract initial planes and then use normal vectors of the point cloud data to determine and refine those planes. In the case of non-planar architectural components, we reduce three dimensional data into two dimensional data by projection to reduce the complexity. Then, we divide the data into several line segments, recover two dimensional points that compose the line segments into three dimensional points, and extract planes from the recovered points. The algorithm is verified by six dataset with various sizes and complexities. The suggested algorithm has higher extraction rate, precision, and recall than the other plane extraction method. Also, the proposed method effectively estimates non-planar components with several planes.
이동로봇을 위한 H<SUB>∞</SUB> 필터 기반의 강인한 동시 위치인식 및 지도작성 구현 기술
전서현(Seo-Hyun Jeon),이건용(Keonyong Lee),도낙주(Nakju Lett Doh) 大韓電子工學會 2011 電子工學會論文誌-SC (System and control) Vol.48 No.1
이동로봇의 동시 위치인식 및 지도작성(Simultaneous Localization And Mapping, SLAM)에서 가장 기본이 되는 알고리즘은 확장 칼만 필터 SLAM(Extended Kalman Filter SLAM, EKF-SLAM)이다. 하지만 칼만 필터를 사용할 때, 시스템 설계자는 외부 입력에 대한 시스템적 특성과 외부 노이즈의 확률적 모델을 알고 있어야 하나, 실제 환경에서는 이를 정확히 파악할 수 없는 한계가 있다. 이에, 칼만 필터를 불확실성이 심한 실제 환경에 적용할 경우 내부 변수의 변화에 민감하게 반응하거나, 필터의 수학적 일관성이 지켜지지 않거나 또는 부정확한 상태 변수값을 추정하기도 한다. 이에 비해 H<SUB>∞</SUB> 필터는 외부 모델에 대한 상세한 정보가 없을지라도 강인하게 상태를 예측할 수 있다는 장점을 가지고 있다. 본 논문에서는 이러한 H<SUB>∞</SUB> 필터의 특성이 이동로봇의 SLAM 알고리즘의 성능 향상에 도움이 될 것이라는 아이디어에 착안하여 H<SUB>∞</SUB> 필터에 기반한 SLAM 알고리즘을 제안하고 이를 모의 실험에 적용해 보았다. 이를 통해 불확실성이 큰 환경에서는 제안된 알고리즘이 기존의 EKF-SLAM에 비해 다소 우수한 예측 성능을 보임을 확인할 수 있었다. The most basic algorithm in SLAM(Simultaneous Localization And Mapping) technique of mobile robots is EKF(Extended Kalman Filter) SLAM. However, it requires prior information of characteristics of the system and the noise model which cannot be estimated in accurate. By this limit, Kalman Filter shows the following behaviors in a highly uncertain environment: becomes too sensitive to internal parameters, mathematical consistency is not kept, or yields a wrong estimation result. In contrast, H<SUB>∞</SUB> filter does not requires a prior information in detail. Thus, based on a idea that H<SUB>∞</SUB> filter based SLAM will be more robust than the EKF-SLAM, we propose a framework of H<SUB>∞</SUB> filter based SLAM and show that suggested algorithm shows slightly better result than the EKF-SLAM in a highly uncertain environment.