Deep-learning-based object recognition system and gridmap-based path planning algorithm for object tracking of swarm robots

Abstract

자율운항을 위한 항법 기술이 발전하면서, 무인 로봇의 자율화 단계 또한 발전하고 있다. 현재의 자율화 단계는 목적에 따라 스스로 길을 찾고 장애물을 회피하는 7단계를 지나 인간과 협력하는 8단계 초반에 진입해 있고, 많은 연구자들이 항법기술을 연구 하고 있다. 무인 수상선에 대한 경우도 마찬가지로 항법기술의 발전과 함께 진화 하고 있는데, 본 학위논문에서는 무인 수상 군집 로봇의 물체 추적 임무를 위한 물체 추적과 경로 계획 기법에 집중하기로 한다.

우선, 무인 로봇이 효율적인 임무를 수행할 수 있도록, 목표물을 검출하기 위한 컨볼루션 신경망 기반의 물체 분포 인식 알고리즘을 제안한다. 무인기 형태의 관측 시스템이 해수면을 감시하고 감시 영상을 이용하여 여러 물체를 인식하여 임무 목표 및 장애물을 반영한 격자 공간 지도를 생성한다. 마산 만에서 촬영한 영상을 이용하여 제안한 알고리즘의 성능을 확인하였다.

여러 항법 기술중에서 경로 계획 알고리즘에 있어서는, 격자 공간 기반의 경로 계획 알고리즘을 가장 많이 적용되고 알려져 있다. 격자 공간 기반의 경로 계획 알고리즘은 빠르게 경로를 생성할 수 있는 장점이 있고, 장애물을 피해 최단 경로는 찾는데 많이 사용되었다. 하지만, 해양 환경에서 무인 수상선의 실제 적용사례를 보면 기존의 격자 공간 경로 계획 알고리즘은 무인 수상선의 조향 성능을 고려하지 못해 추종하기 어려운 경로를 생성하는 경우가 많다. 이 문제를 해결하기 위해, 본 학위논문에서는 격자 공간 기반의 Angular Rate-Constrained $Theta^* (ARC-Theta^*)$ 를 제안한다. 제안한 알고리즘은 무인 수상선의 조향 성능을 고려하여 경로를 생성할 수 있다. 제안한 알고리즘의 성능은 시뮬레이션과 실험을 통해 확인하였다.

더 높은 자율화 단계를 위해 무인 로봇의 협업 시스템을 설계하였고, 본 학위논문에서는 군집 제어 알고리즘으로 선도-추종 방식의 기법을 적용하였다. 편대 제어 알고리즘이 적용되어도 무인 수상선의 성능 한계로 인하여 편대를 유지하며 경로를 추종하기 어려운 경우가 존재하기에 본 학위논문에서는 $ARC-Theta^*$ 알고리즘을 확장하여 무인 수상선의 성능뿐아니라, 편대의 상태까지 고려하여 편대의 형태를 유지할 수 있는 경로를 생성하였다. 제안한 알고리즘의 성능은 실제 실험을 통해 검등하였다.

본 학위 논문에서 제안한 알고리즘들을 이용하여 무인 수상 군집 로봇의 물체 추적 임무를 실제 실험을 통해 가능성을 확인하였다. 제안한 알고리즘이 무인 수상 군집 로봇의 자율화 단계를 증가 시키고, 실제 제품으로 연구 개발이 될 수 있도록 기대해 본다.