SVR을 이용한 이동로봇의 실내환경 인식

국문 초록 (Abstract)

본 논문에서는 초음파를 이용하여 자율 운행을 하는 이동로봇이 가지는 물리적인 문제점을 해결하기 위한 방안을 제시 한다. 이동 로봇이 주변 환경을 인지함에 있어서 각종 센서를 사용한다. 그러한 센서들은 항상 올바른 값을 주지 않는다. 센서값에는 항상 노이즈가 포함되어 있는데 이것을 해결하기 위해서 학습알고리즘인 SVR(Support Vector Regression)을 사용하여 주변 환경을 센싱한 초음파 값을 토대로 주변환경을 추정할 수 있다. SVR을 사용하기 위해서는 SVR의 요소인 parameter와 커널을 선정해야 한다. SVR의 요소를 선정함에 있어서 정해진 값이 존재하지 않기 때문에 실험을 통해서 가장 적합한 parameter 값을 선정해야 한다. 또한 커널을 선정함에 있어서는 일반화가 가장 잘 되어 있는 RBF(Radial Basis Function)커널을 사용하였다. 본 논문에서는 세가지 환경에서의 실험을 통하여 SVR을 이용하여 센서값의 오류를 개선할 수 있음을 나타내었다.

다국어 초록 (Multilingual Abstract)

This paper proposes a new solution about physical problem of autonomous mobile robots system using ultrasonic sensors. An mobile robot uses several sensors for recognition of its circumstance. However, such sensor data are not accurate all the time. A means of removing the noise that sensor data contains constantly, It is possible for simulation to estimate its circumstance based on ultrasonic sensor data by learning algorithm SVR(Support Vector Regression). To use SVR, it is being selected parameter and kernel which are the component of SVR. Selecting the component of SVR, the most accurate parameter data was selected through the tests because it is not existed determined data. In addition, choosing the kernel uses RBF(Radial Basis Function) kernel which is the most generalized. This paper proposes SVR based algorithm to compensate for the above demerits of ultrasonic sensor through the experimentation under three different environments.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 초음파센서를 사용한 물체인식
• 3. SVR 알고리즘
• 4. 실험결과 및 고찰
• 5. 결론
• References
• 저자소개

참고문헌 (Reference)

1 Philip John McKerrow, "Simulation of Sonar Echolocation" IARP 127-136, 1989

2 Roman Kuc, "Physically Cased Sumulation Model for Acoustic Sensor Robot Navigation" PAMI-9 (PAMI-9): 776-778, 1987

3 Stephen Se, "Mobile Robot Localization and Mapping with Uncertainty using Scale-.Invariant Visual Landmarks" 21 (21): 735-758, 2002

4 R. J. Vanderbei, "Linear Programming: Foundations and Extensions" Kluwer Academic Publishers 1997

5 Jorg, K.-.W, "First Result in Eliminating Crosstalk & Noise by Applying Pseudo-.Random Sequences to Mobile Robot Sonar Sensing" 40-45, 1996

6 G. W. Flake, "Efficient SVM Regression Training with SMO in Machine Learning" NEC Research Institute 2001

7 Sebastian Thrun, "A Probabilisitic Approach to Concurrent Mapping and Localization for Mobile Robots" 31 (31): 1-25, 1998