지상무인체와 공중무인체의 협업적 인식 및 제어를 위한 센서융합 연구 = A Research on Sensor Fusion for Collaborative Perception and Control of Unmanned Ground Vehicles and Unmanned Aerial Vehicles

국문 초록 (Abstract)

다중협동로봇시스템을위해팀내각로봇은고정좌표에서자신의절대적 자세(위치및방향)와주변로봇의상대적자세추정은필수적이다.특히실내와 같이 위성항법시스템(GNSS)을 사용할 수 없는 환경에서 로봇 절대적 자세 추 정을위해 IMU(Inertial Measurement Unit),카메라, LiDAR(Light Detection and Ranging), UWB(Ultra-wideband) 등 다양한 센서를 사용할 수 있다. 단일 센서 를사용하는것보다다양한센서를융합함으로써더욱정확하고강건한추정을 할 수 있는데 대표적으로 IMU+Camera, IMU+LiDAR, IMU+GNSS 등이 있다. 이처럼 데이터 취득 속도가 빠른 센서와 느린 센서를 융합함으로써 상보적인 효과를얻을수있다.본논문에서는필터링(Filtering)기반센서융합방법과최 적화(Optimization)기반 방법을 이용한 절대적 및 상대적 자세 추정 실험과 그 결과에대해다룬다. 첫 번째로, 필터링 기반 센서 융합 방법인 오차상태 칼만필터(Error-State Kalman Filtering)를이용한로봇의절대적자세추정에대해다룬다.오차상태 칼만필터는기존의칼만필터와비교하여계산량이낮고 IMU와같은 3차원회 전을다루는데있어적합하다.또한에러상태는일반적으로값이작기때문에 2 차항이상의값들은무시할수있어자코비안연산을쉽고빠르게만든다.이를 사용하여 IMU, UWB 센서융합을 통한 실내 모바일 위치 추정 실험 및 결과에 대해분석한다. 두번째로,로봇의절대적자세를알고있다는가정하에주변로봇의상대적 자세 추정 문제에 대해 다룬다. Gazebo 시뮬레이션 상에서 칼만필터와 최적화 방법을이용하여추정을하고결과를비교한다.또한이상치(Outlier)가있는상 황에서강인한추정을위해M-Estimator적용해보고결과를비교및분석한다.

다국어 초록 (Multilingual Abstract)

For a multi-collaborative robot system, it is essential for each robot in the team to estimate its absolute pose (position and orientation) and the relative pose of neighboring robots in fixed coordinates. In particular, various sensors such as IMU (Inertial Measurement Unit), Camera, LiDAR (Light Detection and Rang ing), and UWB (Ultra-wideband) can be used to estimate the robot’s absolute pose in environments such as indoors where the Global Navigation Satellite Sys tem (GNSS) cannot be used. More accurate and robust estimates can be made by fusing various sensors rather than using a single sensor. Representative examples include IMU+Camera, IMU+LiDAR, and IMU+GNSS. In this way, complemen tary effects can be achieved by fusing sensors with fast data acquisition speeds and sensors with slow data acquisition speeds. This paper deals with absolute and rel ative pose estimation experiments and results using a filtering-based sensor fusion method and an optimization-based method. First, we cover absolute pose estimation of a robot using error-state Kalman filtering, a filtering-based sensor fusion method. The error state Kalman filter has a lower computational amount compared to the Vanilla Kalman filter and is suitable for handling 3D rotation such as IMU. Additionally, since the error state generally has a small value, values above the quadratic term can be ignored, making the Jacobian operation easy and fast. Using this, this paper analyze indoor mobile location estimation experiments and results through IMU and UWB sensor fusion. Second, we address the problem of estimating the relative pose of surrounding robots under the assumption that the absolute pose of the robot is known. In the Gazebo simulation, estimates are made using the Kalman filter and optimization methods and the results are compared. Additionally, for robust estimation in situa tions where there are outliers, M-Estimator is applied and the results are compared and analyzed

목차 (Table of Contents)

• 1 서론 1
• 2 배경 지식 7
• 2.1 UWB 거리측정의 원리 7
• 2.2 비선형최소제곱법 11
• 3 오차상태 칼만필터 센서융합을 통한 절대적 자세 추정 14
• 3.1 IMU의 오차상태 시스템 모델 15
• 3.1.1 Nominal State 15
• 3.1.2 Error State 16
• 3.2 오차상태 칼만필터 센서 융합 19
• 3.3 실험 및 결과분석 22
• 4 확장칼만필터 및 최소제곱법을 이용한 상대적 자세 추정 25
• 4.1 상대로봇의 운동 및 관측방정식 26
• 4.1.1 상대로봇 운동방정식 27
• 4.1.2 상대로봇 관측방정식 31
• 4.2 상대 자세 추청에서의 가관측성 33
• 4.2.1 오도메트리가 주어진 상황에서 가관측성 33
• 4.2.2 오도메트리가 주어지지 않은 상황에서 가관측성 35
• 4.3 확장칼만필터를 이용한 상대로봇 자세추정 40
• 4.3.1 시뮬레이션 구성 및 결과 41
• 4.4 최소제곱법을 이용한 상대로봇 자세 추정 44
• 4.4.1 이상치에 강건한 M-estimator 추정 45
• 4.4.2 시뮬레이션 결과 49
• 5 Discussion 56
• 5.1 Uncertainty propagation in distributed data fusion 56
• 5.2 Outlier robust relative pose estimation 60
• 5.3 Formation control using the inter-robot relative pose estimation 61
• 5.3.1 Output feedback formation control 62
• 6 결론 및 향후 계획 66
• Bibliography 70