본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지 2

목차 5

국문 요약 10

제1장 서론 11

1.1. 연구 배경 11

1.2. 관련 연구 요약 및 시스템 제안 13

1.3. 시스템 구성 15

제2장 물체 위치 및 자세 추정을 위한 학습 모델 생성 16

2.1. YOLO 및 RGB-D 데이터를 통한 위치 특성 데이터 확보 16

2.1.1. 물체 인식을 위한 YOLO 학습 모델 생성 16

2.1.2. 물체의 특성 데이터 추출 17

2.2. 비전 마커를 이용한 물체의 위치 및 자세 추정 21

제3장 데이터 수집 및 CNN 학습 모델 생성 27

3.1. 데이터 수집 27

3.1.1. 모바일 매니퓰레이터 시스템 구성 27

3.1.2. 데이터 수집 환경 및 조건 구성 30

3.1.3. 데이터 증강 32

3.2. 위치 및 자세 추정을 위한 CNN 모델 학습 34

제4장 모델의 위치 및 자세 추정 성능 평가 36

4.1. 성능 평가 실험 구성 36

4.2. 비전 마커 데이터 대비 학습 모델의 추정 결과 40

4.3. Laser Tracker 대비 비전 마커 및 학습 모델의 추정 결과 42

제5장 결론 47

참고문헌 48

ABSTRACT 50

표목차 9

표 1. 위치 및 자세의 오차 데이터 수치 평가표 41

표 2. 비전 마커와 CNN 모델의 오차 데이터 수치 평가표 45

그림목차 7

그림 1. 스마트 팩토리의 국제적 시장 규모 및 전망 11

그림 2. 모바일 매니퓰레이터의 효율을 저하시키는 요소:... 12

그림 3. 제안된 시스템의 구성도 14

그림 4. 제안된 시스템의 전반적인 동작 다이어그램:... 15

그림 5. 일반 Bounding Box 모델과 OBB 모델의 비교 16

그림 6. YOLO OBB 모델을 통한 목표 물체 인식 17

그림 7. Bounding Box의 표현 방법: (a) xyxyxyxy (b) xywhr 18

그림 8. RANSAC 알고리즘을 통해 추정한 물체의 평면과 법선 벡터... 19

그림 9. AprilTag의 마커 그룹 21

그림 10. AprilTag 마커가 부착된 목표 물체 22

그림 11. AprilTag의 마커 식별 알고리즘 진행 순서 23

그림 12. AprilTag의 Union-Find 알고리즘 23

그림 13. 카메라를 통해 감지한 물체에 부착된 AprilTag 24

그림 14. ROS tf를 통해 계산된 물체에 부착된 마커의 좌표 시각화 25

그림 15. 시스템의 ROS tf Tree 26

그림 16. 모바일 매니퓰레이터 시스템 하드웨어 구성 27

그림 17. 모바일 매니퓰레이터 시스템 소프트웨어 구성 28

그림 18. 모바일 매니퓰레이터 시스템의 ROS Node Graph 29

그림 19. YOLO 모델을 이용한 목표 물체 인식 30

그림 20. CNN 모델 학습을 위한 데이터 수집 환경 31

그림 21. 측정 데이터의 각 회전축 간 데이터 분포도 32

그림 22. 증강된 데이터의 각 회전축 간 데이터 분포도 34

그림 23. 학습 모델의 구성도: 괄호 안의 숫자는 각 레이어 당 뉴런의 숫자 35

그림 24. 실험 환경과 주요 좌표계 구성 36

그림 25. 오차 재현을 위한 포인트 지정 37

그림 26. 물체의 자세 구성 38

그림 27. 측정 데이터 변환 좌표계 시각화 39

그림 28. Ground Truth 데이터 수집 방법 모식도 40

그림 29. 비전 마커 데이터 대비 CNN 모델의 오차 분포 그래프 40

그림 30. 각 데이터 오차 분포에 대한 박스 플롯 41

그림 31. 비전 마커와 CNN 모델의 오차 데이터 3D 산점도 그래프 42

그림 32. XY 평면과 Z축 분포 그래프로 표현한 오차 분포 43

그림 33. 물체의 회전 및 카메라의 위치별로 구분한 CNN 모델의 오차 3D 산점도 43

그림 34. 물체의 회전 및 카메라의 위치별로 구분한 비전 마커의 오차 3D 산점도 44

그림 35. 비전 마커와 CNN 모델의 평균 절대 오차 그래프 45

초록보기

 모바일 매니퓰레이터(Mobile Manipulator, MM)는 협동 로봇과 로봇 매니퓰레이터를 결합한 하이브리드 시스템으로 이동성과 작업 유연성을 모두 제공하여 물류 자동화나 스마트 팩토리와 같은 자동화 공정의 핵심적인 요소로서 다루어진다. 하지만, 이러한 자동화 공정 작업은 구조화되지 않은 환경에서 이루어지기 때문에 목표물에 대한 안정적인 작업을 위해서는 기존 산업 로봇과는 다른 방법론이 필요하다. 또한, 모바일 매니퓰레이터는 자체적인 이동성에 의해 낮은 정확성을 가져 작업 효율이 떨어지게 된다. 이런 문제점들을 해결하기 위해 모바일 매니퓰레이터가 목표물을 인식하고 위치와 자세를 추정하는 방법을 제안한다.

본 논문은 모바일 매니퓰레이터의 물체 인식 및 물체의 정밀한 위치 및 자세 추정을 위해 YOLO와 비전 마커의 융합을 진행하였다. 융합은 비전 마커의 데이터로 CNN 학습을 진행하여, YOLO 및 카메라의 데이터만으로 비전 마커와 유사한 정확도로 물체의 위치와 자세 데이터를 추정하는 것을 목적으로 한다. YOLO를 통해 시스템에 물체를 인식시키기 위해 다양한 각도와 위치에서 물체의 이미지 데이터를 수집하고 객체 인식 모델을 제작하였다. 완성된 모델을 RGBD 카메라에 적용해 물체를 인식하고, 물체의 위치와 자세를 추정할 수 있는 데이터들을 탐지할 수 있도록 하였다. 또한, ROS(Robot Operating System)의 AprilTag Wrapper를 활용하여 RGBD 카메라를 통해 비전 마커를 부착한 물체의 위치 및 자세 데이터를 탐지할 수 있도록 하였다. 모바일 매니퓰레이터 시스템을 이용해 물체의 다양한 위치와 자세 데이터를 수집하였고, 수집한 데이터로 CNN 알고리즘을 이용하여 학습 모델을 제작하였다. 이 학습 모델을 적용한 RGBD 카메라를 통해 목표 물체의 위치와 자세 데이터를 추정한다.

본 논문에서 제안한 방법을 검증하기 위해 물체의 다양한 위치와 자세를 추정하여 데이터를 비교하는 평가를 진행하였다. 비교용 데이터로 위치 데이터는 레이저 트래커를 통해, 자세 데이터로는 비전 마커를 통해 수집한 데이터를 사용하였다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기